Python 大熊猫的一列

我试图将一列（好吧，很多）收益数据转换为一列收盘价。在Clojure中，我会使用，它类似于

reduce

，但会返回所有中间值的序列

e、 g

注：实际收盘价并不重要，因此使用1作为初始值。我只需要一个“模拟”收盘价

我的数据的实际结构是TimeSeries的命名列的数据帧。我想我正在寻找一个类似于

applymap

的函数，但我不希望对该函数做一些不规范的操作，并从其中引用DF（我想这是解决这个问题的一个方法？）

---

此外，如果我想保留

返回的数据，但有收盘价，我会怎么做？我是否应该返回一个元组，并使时间序列的类型为
（返回，收盘价）
？
它看起来还不是一个广为宣传的功能，但您可以使用
扩展\u应用
来实现返回计算：

In [1]: s
Out[1]:
0    0.12
1   -0.13
2    0.23
3    0.17
4    0.29
5   -0.11

In [2]: pd.expanding_apply(s ,lambda s: reduce(lambda x, y: x * (1+y), s, 1))

Out[2]:
0    1.120000
1    0.974400
2    1.198512
3    1.402259
4    1.808914
5    1.609934

我不是百分之百确定，但我相信
扩展\u apply
适用于从第一个索引到当前索引的应用系列。我使用内置的
reduce
函数，其工作原理与Clojure函数完全相同

用于扩展应用的文档字符串

：

Generic expanding function application

Parameters
----------
arg : Series, DataFrame
func : function
    Must produce a single value from an ndarray input
min_periods : int
    Minimum number of observations in window required to have a value
freq : None or string alias / date offset object, default=None
    Frequency to conform to before computing statistic
center : boolean, default False
    Whether the label should correspond with center of window

Returns
-------
y : type of input argument

---

值得注意的是，使用pandas编写更详细的内容通常比使用

reduce

编写更快（也更容易理解）

在您的具体示例中，我只想然后：

或者

init*c.add（1.cumprod（）

---

注意：但是，在某些情况下，例如内存问题，您可能必须以更低级/更聪明的方式重写这些内容，但通常值得先尝试最简单的方法（并对其进行测试，例如使用%timeit或）。

为了可读性，我更喜欢以下解决方案：

returns = pd.Series([0.12, -.13, 0.23, 0.17, 0.29, -0.11])

initial_value = 100
cum_growth = initial_value * (1 + returns).cumprod()

>>> cum_growth
0    112.000000
1     97.440000
2    119.851200
3    140.225904
4    180.891416
5    160.993360
dtype: float64

如果要在序列中包含初始值，请执行以下操作：

>>> pd.concat([pd.Series(initial_value), cum_growth]).reset_index(drop=True)
0    100.000000
1    112.000000
2     97.440000
3    119.851200
4    140.225904
5    180.891416
6    160.993360
dtype: float64

---

啊，函数本身不是问题（应该写在上面）；这很容易。对我来说，问题在于数据帧列的（惯用的、适当的）应用程序。不过，谢谢！你对问题的描述抽象起来有点难理解。你能提供你实际格式的样本数据，并举例说明你想要它做什么吗？这是一个非常有趣的函数，我期待着使用它。谢谢，谢谢！这是可行的，除了我需要弄清楚如何在这里处理NaN数据（现在，只需使用一个简单的检查，例如，

lambda x，y:x*（1+y）if pd.notnull（y）else x

），但这不是一个很好的方法，原因很明显……对于这个特定的示例（即使有1000个条目）也值得注意它比上面的

扩展应用程序要快得多。啊，现在将pandas更新到0.10.1；这应该可以解决这个问题。你可以做
（c+1）。cumprod（）
。安迪的解决方案也有同样的错误+1。这比我建议的要快得多。@Zelazny7当我键入这个时，我认为你的方法可能会更快（我可以想象一些可能的例子），但首先尝试最简单（最具pythonic？）的方法肯定是个好主意：）
returns = pd.Series([0.12, -.13, 0.23, 0.17, 0.29, -0.11])

initial_value = 100
cum_growth = initial_value * (1 + returns).cumprod()

>>> cum_growth
0    112.000000
1     97.440000
2    119.851200
3    140.225904
4    180.891416
5    160.993360
dtype: float64

>>> pd.concat([pd.Series(initial_value), cum_growth]).reset_index(drop=True)
0    100.000000
1    112.000000
2     97.440000
3    119.851200
4    140.225904
5    180.891416
6    160.993360
dtype: float64