《投资-225》量化交易 - 核心python库 - pandas：用到的主要函数

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

在量化交易中，pandas 是最核心的数据处理库之一，主要用于管理时间序列数据（如股票价格、成交量、财务信息等）。以下是 pandas 在量化交易中最常用的核心函数及其应用场景，结合实际策略需求进行分类说明：

一、基础数据操作

函数	用途	示例
pd.read_csv()	读取行情或因子数据	pd.read_pickle()
/	df = pd.read_csv('stock_data.csv')	df.to_csv()
	df.to_pickle()	保存处理后的数据
/	df.to_pickle('factor.pkl')	df.head(n)
	df.tail(n)	查看前/后 n 行数据，快速检查数据质量
/	df.info()	df.describe()
	pd.to_datetime()	查看数据结构与统计摘要，检查缺失值、异常值

二、时间序列处理（关键！）

量化交易大量依赖于时间序列操作。

函数	用途	示例
pd.to_datetime()	将字符串转为日期类型	df['date'] = pd.to_datetime(df['date'])
df.set_index('date', inplace=True)	设置时间为索引，时间对齐和切片必备	df.resample('D').last()
resample('5T').ohlc()	重采样：日线化	df.shift(n)
df['close'].shift(1)	转5分钟K线	df.tz_localize()
tz_convert()	数据平移 n 期，计算昨日收盘价：	df.pct_change()
/	df['return'] = df['close'].pct_change()	df.diff(n)
	df['price_diff'] = df['close'].diff(1)	处理时区问题，防止跨市场时间错乱

三、行情计算与技术指标构建

这些是策略开发的基础。

函数	用途	示例
df.rolling(window).mean()	计算收益率	df['ma20'] = df['close'].rolling(20).mean()
df.rolling(window).std()	差分 n 期	volatility = df['return'].rolling(20).std()
df.expanding().max()	移动平均线（MA）	df.cumsum()
cumprod()	滚动标准差（波动率）	累计收益 = (1 + 日收益).cumprod()
df[df['close'] > df['ma20']]	累计最大值，用于回撤计算	np.where(condition, val1, val2)
/	df.query("volume > 1e6")	groupby('symbol')
	data.groupby('symbol')['return'].mean()	累计和/积
? 常见组合：	# 20日布林带	window = 20 df['ma20'] = df['close'].rolling(window).mean() df['std20'] = df['close'].rolling(window).std() df['upper'] = df['ma20'] + 2 * df['std20'] df['lower'] = df['ma20'] - 2 * df['std20']

四、数据筛选与条件判断

用于生成买卖信号。

函数	用途	示例
groupby(pd.Grouper(freq='M'))	条件筛选，找出价格上穿均线的行	.agg()
向量化 if-else	import numpy as np df['signal'] = np.where(df['close'] > df['ma20'], 1, 0)	| pd.concat([df1, df2], axis=1) | 使用表达式查询，更清晰的过滤语法 |

五、分组与聚合操作（多标的分析）

适用于选股、行业轮动等场景。

函数	用途	示例
df1.merge(df2, on='date', how='left')	按股票代码分组	df.join(other_df, how='left')
/	.loc[]	.iloc[]
	df.loc['2023-01-01':'2023-12-31']	按时间频率分组，月度收益统计
/	eval()	query()
	df.eval('momentum = close / close.shift(10) - 1')	聚合多种统计量 df.groupby('symbol').agg({ 'return': ['mean', 'std'], 'volume': 'sum' })

六、合并与连接数据

整合多个数据源（如价格+财务+因子）。

函数	用途	示例
fillna()	上下或左右拼接，合并不同资产的时间序列	dropna()
/	read_csv	to_pickle
	set_index	类似 SQL 的 join，添加宏观因子到行情数据
/	to_datetime	resample
	shift	索引对齐合并，推荐用于时间序列

七、实用技巧（提升效率）

技巧	说明	使用
rolling	安全访问数据	pct_change
/	diff	cumsum
	cumprod	避免 for 循环，使用向量化运算，性能提升数十倍
/	rolling().mean/std/min/max	expanding()
	np.where	提高可读性
/	query	loc
	groupby	处理 NaN，防止策略因缺失值出错

实战示例：简单双均线策略信号生成

import pandas as pd
import numpy as np

# 假设 df 是带有 'close' 列的 DataFrame，索引为 datetime
df['ma5'] = df['close'].rolling(5).mean()
df['ma20'] = df['close'].rolling(20).mean()

# 金叉：短均线上穿长均线
df['signal'] = np.where(
    (df['ma5'] > df['ma20']) & (df['ma5'].shift(1) <= df['ma20'].shift(1)),
    1,
)

# 收益率与累计收益
df['return'] = df['close'].pct_change()
df['strategy_return'] = df['signal'].shift(1) * df['return'] # 信号次日执行
df['cumulative'] = (1 + df['strategy_return']).cumprod()

总结：量化中最常用的 Pandas 函数清单

类别	核心函数
数据读写	pd.read_csv(), pd.to_csv()
时间序列处理	.to_datetime(), .set_index(), .resample(), .shift()
行情计算与技术指标构建	.pct_change(), .diff(), .rolling().mean(), .rolling().std(), .cummax(), .cumsum()
数据筛选与条件判断	.query(), np.where()
分组与聚合操作	.groupby(), .agg()
合并与连接数据	.concat(), .merge(), .join()
实用技巧	.loc[], .iloc[], 避免 for 循环，向量化运算，.fillna(), .dropna()

read_csv

to_pickle

set_index

时间管理

to_datetime

resample

shift

rolling

收益分析

pct_change

diff

cumsum

cumprod

指标设计

rolling().mean/std/min/max

expanding()

条件评估

np.where

query

loc

分类聚合

groupby

agg

transform

数据整合

merge

concat

join

???? 建议掌握水平： 作为量化开发人员，你应能够熟练编写基于 pandas 的完整策略流程，包括数据加载 → 清洗 → 特征构建 → 信号生成 → 收益分析 → 回测评估。

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：python pandas panda 量化交易 Das

相关内容：Python量化投资