如何用agg实现DataFrame月度复合涨跌幅计算（基于日涨跌幅）

嘿，这个需求我之前实操过，用agg配合分组和自定义函数就能轻松搞定，咱们一步步来：

步骤1：确保日期列是datetime类型 #

首先得把你的日期列转换成pandas的datetime格式，不然没法正确按月份分组：

import pandas as pd
df['date'] = pd.to_datetime(df['date'])

步骤2：定义月度复合涨跌幅的计算函数 #

按照你提到的((1+x).cumprod()-1)逻辑，我们可以写一个自定义函数，接收某一个月的日涨跌幅序列，返回该月的复合涨跌幅：

def calculate_monthly_compound(pct_series):
    # 计算累积乘积后减1，取最后一个值就是当月的复合涨跌幅
    return (1 + pct_series).cumprod().iloc[-1] - 1

小贴士：如果你的日涨跌幅是百分比数值（比如5代表5%），记得先除以100，比如改成(1 + pct_series/100).cumprod().iloc[-1] - 1

步骤3：分组+agg调用自定义函数 #

接下来按月份分组，用agg指定要计算的列和对应的函数：

# 按月度周期分组，结果索引为YYYY-MM格式的周期类型
monthly_compound_returns = df.groupby(df['date'].dt.to_period('M')).agg(
    monthly_compound_return=('daily_pct_change', calculate_monthly_compound)
)

# 如果你想要字符串格式的月份索引（比如'2023-01'），可以用strftime：
# monthly_compound_returns = df.groupby(df['date'].dt.strftime('%Y-%m')).agg(
#     monthly_compound_return=('daily_pct_change', calculate_monthly_compound)
# )

示例验证 #

我们可以构造一个简单的测试数据来验证：

# 构造示例DataFrame
dates = pd.date_range('2023-01-01', periods=15, freq='D')
daily_pct = [0.01, 0.005, -0.003, 0.02] * 3 + [0.008]
df = pd.DataFrame({'date': dates, 'daily_pct_change': daily_pct})

# 运行计算
monthly_compound_returns = df.groupby(df['date'].dt.to_period('M')).agg(
    monthly_compound_return=('daily_pct_change', calculate_monthly_compound)
)

print(monthly_compound_returns)

运行后会输出1月份的复合涨跌幅结果，和手动计算的(1.01*1.005*0.997*1.02*...)-1完全一致。

内容的提问来源于stack exchange，提问作者Rami Ramich