Python Pandas DataFrame GroupBy和基于分组数据子集的新计算列

我是熊猫队的新手，根据评论，我选择了熊猫队，因为它似乎是最受欢迎、最容易合作的球队。我的目的是使用异步进程快速处理数据（pandas并不真正支持异步，但还没有达到这个问题）。如果您认为我可以根据以下场景使用更好的库来满足我的需求，请让我知道

我的代码使用asyncio运行WebSocket，它不断地获取活动数据并将其存储到数据框中，如下所示：

data_set.loc[len(data_set)] = [datetime.now(),res['data']['E'] ,res['data']['s'] ,res['data']['p'] ,res['data']['q'] ,res['data']['m']]

这似乎在打印结果时起作用。数据帧很快变大，因此有清理函数检查数据帧的len（）和drop（）行

我的目的是获取数据集中的完整集合，并基于组值创建摘要视图，并使用分组数据和不同日期时间捕捉的数据点计算附加值作为分析。这些计算每秒将运行多次。 我的意思是（一切都是虚构的，不是工作代码示例，只是需要什么的原则）：

我已经在谷歌上搜索了一百万个东西，每次的例子都很基本，对我的场景没有帮助

---

感谢您的帮助。

我想这个问题有点含糊不清，但经过更多的研究（谷歌搜索）和尝试/错误（几个小时）后，我终于完成了我在这里提到的所有内容。 希望能帮助新手节省一些时间：

stats_data = data.loc[trade_data.groupby('name')['date_time'].idxmax()].reset_index(drop=True)
1_day_ago = data.loc[data[data.date_time > day_1].groupby("name")["date_time"].idxmin()].drop(labels = ['date_time','id','volume','flag'], axis=1).set_index('name')['value']
stats_data['change_over_1_day'] = stats_data['value'].astype('float') / stats_data['name'].map(1_day_ago).astype('float') * 100 - 100

相同的主体应用于其他列。

---

如果有人有更高效/更快的方法，请发布您的答案。

您应该将Dask用于异步进程-

stats_data = data.loc[trade_data.groupby('name')['date_time'].idxmax()].reset_index(drop=True)
1_day_ago = data.loc[data[data.date_time > day_1].groupby("name")["date_time"].idxmin()].drop(labels = ['date_time','id','volume','flag'], axis=1).set_index('name')['value']
stats_data['change_over_1_day'] = stats_data['value'].astype('float') / stats_data['name'].map(1_day_ago).astype('float') * 100 - 100