Pandas DataFrameで毎日の返品を計算する
ここに私のPandasデータフレーム：
prices = pandas.DataFrame([1035.23, 1032.47, 1011.78, 1010.59, 1016.03, 1007.95,
1022.75, 1021.52, 1026.11, 1027.04, 1030.58, 1030.42,
1036.24, 1015.00, 1015.20])
これが私のdaily_return 関数：
def daily_return(prices):
return prices[:-1] / prices[1:] - 1
この関数からの出力は次のとおりです。
0 NaN
1 0
2 0
3 0
4 0
5 0
6 0
7 0
8 0
9 0
10 0
11 0
12 0
13 0
14 NaN
なぜこの出力があるのですか？
操作はインデックスのアライメントを行うため、DataFramesの1つを配列に変換できます。
_prices[:-1].values / prices[1:] - 1
_または
_prices[:-1] / prices[1:].values - 1
_あなたが望む結果のインデックスに依存します。
またはshift()メソッドを使用します。
_prices.shift(1) / prices - 1
_そして：
_prices / prices.shift(1) - 1
_デフォルトでpandasが提供する非常に便利な_pct_change_メソッドを使用しない理由：
_import pandas as pd
prices = pandas.DataFrame([1035.23, 1032.47, 1011.78, 1010.59, 1016.03, 1007.95,
1022.75, 1021.52, 1026.11, 1027.04, 1030.58, 1030.42,
1036.24, 1015.00, 1015.20])
daily_return = prices.pct_change(1) # 1 for ONE DAY lookback
monthly_return = prices.pct_change(21) # 21 for ONE MONTH lookback
annual_return = prices.pct_change(252) # 252 for ONE YEAR lookback
_オリジナルprices：
_print(prices)
0
0 1035.23
1 1032.47
2 1011.78
3 1010.59
4 1016.03
5 1007.95
6 1022.75
7 1021.52
8 1026.11
9 1027.04
10 1030.58
11 1030.42
12 1036.24
13 1015.00
14 1015.20
_デイリーリターン as prices.pct_change(1)：
_print(prices.pct_change(1))
0
0 NaN
1 -0.002666
2 -0.020039
3 -0.001176
4 0.005383
5 -0.007953
6 0.014683
7 -0.001203
8 0.004493
9 0.000906
10 0.003447
11 -0.000155
12 0.005648
13 -0.020497
14 0.000197
_@YaOzlの答えを少し補足するだけで、誰かがこれを読む場合に備えて。返品データが複数の株を含むパネルスプレッドシートの場合：
>>> prices = pandas.DataFrame(
{"StkCode":["StockA","StockA","StockA","StockA","StockA","StockB","StockB","StockB","StockB","StockB","StockC","StockC","StockC","StockC","StockC",],
"Price":[1035.23, 1032.47, 1011.78, 1010.59, 1016.03, 1007.95, 1022.75, 1021.52, 1026.11, 1027.04, 1030.58, 1030.42, 1036.24, 1015.00, 1015.20]}
)
それはあなたに与えます：
Price StkCode
0 1035.23 StockA
1 1032.47 StockA
2 1011.78 StockA
3 1010.59 StockA
4 1016.03 StockA
5 1007.95 StockB
6 1022.75 StockB
7 1021.52 StockB
8 1026.11 StockB
9 1027.04 StockB
10 1030.58 StockC
11 1030.42 StockC
12 1036.24 StockC
13 1015.00 StockC
14 1015.20 StockC
次に、。pct_change（k）と。groupby（StkCode）。そして、イテレータを使用するよりも高速です...（データセットで試してみましたが、プロセス時間を10時間から20秒に短縮できました!!）
>>> prices["Return"] = prices.groupby("StkCode")["Price"].pct_change(1)
あなたにあげる：
Price StkCode Return
0 1035.23 StockA NaN
1 1032.47 StockA -0.002666
2 1011.78 StockA -0.020039
3 1010.59 StockA -0.001176
4 1016.03 StockA 0.005383
5 1007.95 StockB NaN
6 1022.75 StockB 0.014683
7 1021.52 StockB -0.001203
8 1026.11 StockB 0.004493
9 1027.04 StockB 0.000906
10 1030.58 StockC NaN
11 1030.42 StockC -0.000155
12 1036.24 StockC 0.005648
13 1015.00 StockC -0.020497
14 1015.20 StockC 0.000197