我不太擅长Python,但是我有一个解决问题的“创可贴”解决方案,试图找出是否有更好的做事方法。我有一个从pandas_datareader下载的股票数据框。这给了我一个MultiIndex df,并且我正尝试仅精确化我想要的属性。
pandas_datareader的初始df具有以下结构:
我有兴趣获得这种结构中的“最高价”和“结算价”。为此,我已经完成了以下操作:
df.loc[:, ['High', 'Close']]
哪个给我:
这很接近我想要的,但是没有按股票分组,而是按属性分组。要按库存对属性进行分组,我尝试交换级别,然后指定所需的列:
newdf = df.swaplevel(axis='columns')
newdf.loc[:, [('BHP.AX','High'),('BHP.AX','Close'),('S32.AX','Close'),('S32.AX','High')]]
这给了我想要的结果,但似乎是一种非常“硬编码”且效率低下的方法:
是否有更通用的方法可以执行此操作?我希望能够仅指定属性(例如,收盘价,最高价等),并将结果指定为其中的所有股票(按股票分组而不是属性分组)。此Multiindex对我来说并不容易,因此感谢您提供的任何帮助。
答案 0 :(得分:0)
您可以使用索引切片功能轻松获得它。我在其他股票上对其进行测试时,请更正“ ACN”和“ IT”。 参考。MultiIndex / advanced indexing
idx = pd.IndexSlice
data = data.loc[:,idx[:,('High','Low','ACN','IT')]] # edit your symbol
data = data.swaplevel(axis='columns')
data.sort_index(level=0, axis=1, inplace=True)
data.head()
ACN IT
Close High Close High
Date
2020-03-31 163.259995 169.880005 99.570000 109.160004
2020-04-01 154.679993 160.820007 93.290001 96.209999
2020-04-02 156.270004 160.500000 94.099998 94.919998
2020-04-03 152.149994 158.720001 91.820000 94.290001
2020-04-06 166.050003 166.750000 99.860001 100.940002
答案 1 :(得分:0)
找到了一个相当简单的解决方案。
newdf = rawout.loc[:,['Close','High', 'Open']].swaplevel(axis='columns')
使用此按钮,无需指定所有库存。我在上面的代码中交换了级别,但是其他人可能不需要这样做。