Python多索引计算：基于历史数据对证券交易进行分类

我来帮你搞定这个交易分类需求！用Pandas的话，咱们可以用分组+矢量化操作高效实现，不用写复杂循环，代码简洁还运行快。

首先得确保数据按证券（sedol）和交易日期（carry_dt）排序，这样每个证券的交易记录是按时间顺序排列的，后续的日期比较才准确：

# 按sedol分组、carry_dt升序排序
df = df.sort_values(by=['sedol', 'carry_dt'], ascending=True)

接下来分三步生成Type列，逻辑清晰又高效：

import numpy as np
import pandas as pd

# 1. 标记每个证券的首次交易记录：组内第一条记录即为首次
df['is_first_trade'] = df.groupby('sedol').cumcount() == 0

# 2. 获取同个证券下，当前记录的前一交易日carry_rate
df['prev_carry_rate'] = df.groupby('sedol')['carry_rate'].shift(1)

# 3. 嵌套条件判断生成分类结果
df['Type'] = np.where(
    df['is_first_trade'],
    '首次',
    np.where(
        df['carry_rate'] == df['prev_carry_rate'],
        '无变动',
        '调整'
    )
)

# 不需要辅助列的话可以删掉
df = df.drop(columns=['is_first_trade', 'prev_carry_rate'])

• groupby('sedol').cumcount()：给每个证券组内的记录从0开始编号，编号为0的就是该证券的第一条交易记录，对应“首次”分类。
• shift(1)：在每个证券组内把carry_rate向下偏移一行，这样每条记录就能直接拿到前一交易日的利率值，方便对比。
• np.where()：嵌套的条件判断逻辑，先优先判断是否为首次交易，再对比当前与前一日利率，最后剩下的情况自动归为“调整”。

• 如果你的carry_dt还不是日期格式，记得先转换：df['carry_dt'] = pd.to_datetime(df['carry_dt'])，否则排序会出错。
• 如果存在carry_rate为空的情况，可以在条件里补充判断逻辑，比如把空值单独归为“调整”，示例如下：

df['Type'] = np.where(
    df['is_first_trade'],
    '首次',
    np.where(
        df['carry_rate'].notna() & (df['carry_rate'] == df['prev_carry_rate']),
        '无变动',
        '调整'
    )
)

内容的提问来源于stack exchange，提问作者IMiller