Pandas DataFrame中匹配3个月前向日期对应价格的实现问题
实现3个月远期价格列的方案
前置必做检查(否则大概率匹配失败)
- 先确认两个日期列均为pandas datetime类型,避免字符串/其他类型匹配不上:
import pandas as pd # 替换成你实际的列名,样例里的Target Date 1就是你提到的3M forward date df['Date'] = pd.to_datetime(df['Date']) df['3M forward date'] = pd.to_datetime(df['3M forward date'])
核心实现方法(三选一均可)
方法1:字典映射(性能最优,适合大数据量)
- 先构建日期到价格的查找字典,再直接映射赋值:
# 构建Date-Price映射表 price_lookup = df.set_index('Date')['Price'].to_dict() # 给新列赋值,匹配不到的自动返回NaN df['3M forward Price'] = df['3M forward date'].map(price_lookup)
方法2:左连接匹配(逻辑直观,易调试)
- 把原Date和Price列临时改名为要匹配的键和新列名,再左连接回原表:
df = df.merge( right=df[['Date', 'Price']].rename(columns={ 'Date': '3M forward date', 'Price': '3M forward Price' }), on='3M forward date', how='left' )
方法3:调整索引后用.loc实现(适配你之前的使用习惯)
你之前用.loc失败的核心原因是:默认整数索引无法匹配datetime类型的目标日期,需要先把Date设为索引再匹配:
# 把Date列设为索引 df = df.set_index('Date') # 用3M forward date做重索引匹配价格 df['3M forward Price'] = df['Price'].reindex(df['3M forward date']).to_numpy() # 如果需要恢复默认整数索引,执行这行 df = df.reset_index()
常见问题说明
- 末尾3个月左右的行的新列会出现NaN:属于正常现象,因为对应的3M远期日期超出了原有Date列的覆盖范围,没有对应的价格数据
- 如果匹配不到非交易日日期(比如你算的3M到期日刚好是休市日):如果需要匹配最近的前/后交易日,可以在reindex时加参数
method='ffill'(取最近的前序已存在的日期价格),或method='bfill'(取最近的后序已存在的日期价格)
内容的提问来源于stack exchange,提问作者breaker7
相关产品推荐
相关产品推荐

