Question

我有以下代码，使用它可以用三行Pandas代码计算体积加权平均价格。

import numpy as np
import pandas as pd
from pandas.io.data import DataReader
import datetime as dt

df = DataReader(['AAPL'], 'yahoo', dt.datetime(2013, 12, 30), dt.datetime(2014, 12, 30))
df['Cum_Vol'] = df['Volume'].cumsum()
df['Cum_Vol_Price'] = (df['Volume'] * (df['High'] + df['Low'] + df['Close'] ) /3).cumsum()
df['VWAP'] = df['Cum_Vol_Price'] / df['Cum_Vol']

我试图找到一种方法来编码，而不使用cumsum()作为练习。我试图找到一个通过VWAP列的解决方案。我使用.apply()尝试了以下行。逻辑存在，但问题是我无法在行n中存储值以便在行（n + 1）中使用。你如何在pandas中解决这个问题 - 只需使用外部连音符或字典临时存储累积值？

df['Cum_Vol']= np.nan
df['Cum_Vol_Price'] = np.nan
# calculate running cumulatives by apply - assume df row index is 0 to N
df['Cum_Vol'] = df.apply(lambda x: df.iloc[x.name-1]['Cum_Vol'] + x['Volume'] if int(x.name)>0 else x['Volume'], axis=1)

对于上述问题是否存在单程解决方案？

修改

我的主要动机是了解幕后发生的事情。因此，它主要是为了锻炼而不是任何有效的理由。我相信N系列上的每个cumsum都有时间复杂度N（？）。所以我想知道，我们可以在一次通过中计算两个单独的cumsum，而不是this。很高兴接受这个答案 - 而不是工作代码。

Answer 1

进入一个传球对一线开始变得有点语义。这有什么区别：你可以用1行熊猫，1行numpy或几行numba来做。

from numba import jit

df=pd.DataFrame( np.random.randn(10000,3), columns=['v','h','l'] )

df['vwap_pandas'] = (df.v*(df.h+df.l)/2).cumsum() / df.v.cumsum()

@jit
def vwap():
    tmp1 = np.zeros_like(v)
    tmp2 = np.zeros_like(v)
    for i in range(0,len(v)):
        tmp1[i] = tmp1[i-1] + v[i] * ( h[i] + l[i] ) / 2.
        tmp2[i] = tmp2[i-1] + v[i]
    return tmp1 / tmp2

v = df.v.values
h = df.h.values
l = df.l.values

df['vwap_numpy'] = np.cumsum(v*(h+l)/2) / np.cumsum(v)

df['vwap_numba'] = vwap()

时序：

%timeit (df.v*(df.h+df.l)/2).cumsum() / df.v.cumsum()  # pandas
1000 loops, best of 3: 829 µs per loop

%timeit np.cumsum(v*(h+l)/2) / np.cumsum(v)            # numpy
10000 loops, best of 3: 165 µs per loop

%timeit vwap()                                         # numba
10000 loops, best of 3: 87.4 µs per loop

Answer 2

快速编辑：只是想感谢John的原帖：）

@ jiting ing numpy的版本可以获得更快的结果：

@jit
def np_vwap():
    return np.cumsum(v*(h+l)/2) / np.cumsum(v)

这使我50.9 µs per loop而不是74.5 µs per loop使用上面的vwap版本。

大熊猫高效VWAP计算

2 个答案: