Pandas按Date和ticker分组取当日最低价后的最大值实现

和你现有代码完全兼容的实现路径 #

你已经通过df.groupby(['Date','ticker'])['Low'].idxmin()拿到了每组最低价对应的行索引，不需要改动这部分逻辑，顺着往下接就行：

• 先把拿到的最低价索引转成可关联的结构化表

  # 复用你已有的最低价索引计算逻辑
  low_min_idx = df.groupby(['Date','ticker'])['Low'].idxmin()
  # 转成带分组键的普通DataFrame，方便和原表拼接
  low_pos_df = low_min_idx.reset_index(name='low_row_idx')
  

• 把这个表和原DataFrame按分组键Date、ticker左连接，给每一行打上它所属组的最低价所在行的索引值

  df_with_low_pos = df.merge(low_pos_df, on=['Date', 'ticker'], how='left')
  

• 在连接后的表中，基于Datetime索引的大小关系标记「当前行是否在最低价点位之后」，再分组求对应区间的最高价

  # 标记逻辑：当前行的时间戳 > 当日最低价所在行的时间戳
  # 要是需要把最低价本身所在K线纳入统计，把>改成>=即可
  df_with_low_pos['after_low_window'] = df_with_low_pos.index > df_with_low_pos['low_row_idx']
  # 按原分组维度，筛选标记为真的行计算最大值
  max_after_low = df_with_low_pos.groupby(['Date','ticker']).apply(
      lambda g: g.loc[g['after_low_window'], 'High'].max()
  ).reset_index(name='max_price_after_low')
  

  注：如果你的统计口径不是K线最高价列，把代码里的'High'替换成你要统计的目标价格列名即可。

大数据量下的优化实现 #

如果你的数据集超过百万行（比如全市场1分钟级行情），上面逐组apply的写法会有性能损耗，可以换成纯向量化的组内位置判断，运算速度会提升数倍：

# 给每个分组内的行按时间顺序打从0开始的相对位置序号
df['group_row_seq'] = df.groupby(['Date','ticker']).cumcount()
# 提前做全局索引到组内序号的映射，避免重复计算
idx_to_seq_map = df['group_row_seq'].to_dict()
# 直接找到每个组内最低价对应的组内位置序号
df['low_seq'] = df.groupby(['Date','ticker'])['Low'].transform('idxmin').map(idx_to_seq_map)
# 直接筛出组内序号大于最低价位置的行，分组求最大值
max_after_low_fast = df[df['group_row_seq'] > df['low_seq']].groupby(
    ['Date','ticker']
)['High'].max().reset_index()

必须注意的踩坑细节 #

• 所有索引大小比较都要在分组维度内生效，绝对不能直接拿全局的Datetime索引跨组比较：不同ticker、不同日期的行情时间戳是交叉混排的，脱离分组绑定的时间比较会出现跨组统计的bug
• 要提前校验每个(Date, ticker)分组内的Datetime索引是严格按交易时间升序排列的：时间排序不对的话，「之后的区间」的判断逻辑就完全失效
• 如果当日最低价出现在收盘时点，后续没有剩余交易数据，两种方法都会自动返回空值/NaN，和实际业务场景匹配，不需要额外做空值判断
• 如果你的数据里存在同一个时间戳下多根K线（比如同时间的逐笔成交），要先把同时间戳的行做聚合，不然会出现索引重复导致的位置判断错误

内容的提问来源于stack exchange，提问作者Wboy