将SQL股票价格表转换为按Symbol分列的Pandas DataFrame

没问题，这是个很常见的数据宽表转换需求，我来一步步给你拆解实现步骤：

1. 先从SQL读取数据到Pandas #

首先你需要把SQL表的数据加载到Pandas DataFrame里，这里推荐用SQLAlchemy配合pd.read_sql来实现，兼容性更好：

import pandas as pd
from sqlalchemy import create_engine

# 替换成你的数据库连接字符串（比如MySQL、PostgreSQL、SQLite等）
engine = create_engine('your_database_connection_string')
# 替换成你的表名
query = "SELECT Symbol, Date, Price FROM your_stock_table"
# 读取数据
raw_df = pd.read_sql(query, engine)

2. 转换为目标宽格式 #

核心是用Pandas的透视功能，分两种场景处理：

场景A：每个日期+股票代码的组合唯一 #

如果你的数据里，同一天同一支股票只有一条价格记录，直接用pivot方法即可：

# 生成透视表：Date作为行索引，Symbol作为列，Price作为值
pivoted_df = raw_df.pivot(index='Date', columns='Symbol', values='Price')

# 把列名改成「股票代码_price」的格式
pivoted_df.columns = [f"{symbol}_price" for symbol in pivoted_df.columns]

场景B：存在重复的日期+股票代码记录 #

如果同一天同一支股票有多条价格（比如日内多次交易），需要先做聚合处理，用pivot_table更稳妥，比如取当日最后一笔价格：

# 聚合重复记录，这里用lambda取最后一条的价格，你也可以换成mean()、max()等
pivoted_df = raw_df.pivot_table(
    index='Date',
    columns='Symbol',
    values='Price',
    aggfunc=lambda x: x.iloc[-1]
)

# 同样重命名列
pivoted_df.columns = [f"{symbol}_price" for symbol in pivoted_df.columns]

3. 可选：调整日期列的格式 #

如果你的Date列从SQL读出来不是datetime类型，建议先转换，避免排序或筛选出问题：

raw_df['Date'] = pd.to_datetime(raw_df['Date'])

如果不想把Date作为索引，而是作为普通列，可以重置索引：

pivoted_df = pivoted_df.reset_index()

最终你得到的pivoted_df就是你想要的结构：Date列（或索引）+ 每支股票对应的_price列。

内容的提问来源于stack exchange，提问作者tony