Python 有什么好方法可以对时间序列数据块执行计算和赋值吗？

我想对时间序列数据执行一些计算，并在特定行上复制输出，我尝试了一些方法，比如重新采样数据以获得值。 下面是我试图获得的代码和输出。这将是非常有帮助的，得到一些专家提示，以有效地做事情

问题:1。我想从有15分钟时间框架的数据集中获取当天的“高”、“低”和“收盘”。 2.然后计算“（高+低+收盘）/3”，并将该值复制到第二天15分钟的时间范围内。 等等

以下是实际数据。 我尝试重新采样数据，得到高、低和接近的值，然后分别计算h+L+C/3，然后通过打字复制。 下面是重新采样的代码

df1 = df.resample('1D', # on='col name'   if the date column is not an index
                 origin='start').agg({'Open':'first',
                                      'Close':'last',
                                      'Low':'min',
                                      'High':'max'})

有没有什么好方法可以轻松获得所需的df。 下面是所需的输出

for date 2021-01-04 Day's High = 2591.95, Low = 2533.15, Close = 2578.5
(High+Low+Close)/3 = 2567.68
the value 2567.68 get copied to next day 2021-01-05 showing below 

then wants to calculate H+L+C/3 on 2021-04-05 and then copy it to next day's 15 min time frame data shown below. and so on 
...........................................................................
Datetime                 |   Open  | High |   Low   |Close | ((H+L+C)/3) |
'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''
2021-01-04 09:15:00+05:30   2575.05 2591.95 2570.0  2571.5               ------Day1 
2021-01-04 09:30:00+05:30   2571.35 2575.05 2561.05 2569.35
2021-01-04 09:45:00+05:30   2568.6  2579.8  2568.6  2576.25
2021-01-04 10:00:00+05:30   2576.25 2578.0  2567.0  2567.8
2021-01-04 10:15:00+05:30   2568.25 2570.0  2564.25 2565.0
2021-01-04 10:30:00+05:30   2565.0  2565.15 2556.5  2557.45
2021-01-04 10:45:00+05:30   2558.35 2559.0  2543.85 2553.85
2021-01-04 11:00:00+05:30   2553.85 2555.55 2533.15 2553.55
2021-01-04 11:15:00+05:30   2553.5  2555.9  2547.25 2551.85
2021-01-04 11:30:00+05:30   2551.85 2576.7  2550.15 2571.8
2021-01-04 11:45:00+05:30   2571.45 2571.8  2565.1  2565.7
2021-01-04 12:00:00+05:30   2566.25 2569.9  2561.55 2565.45
2021-01-04 12:15:00+05:30   2564.65 2566.1  2560.25 2562.5
2021-01-04 12:30:00+05:30   2562.5  2568.15 2562.15 2566.0
2021-01-04 12:45:00+05:30   2566.45 2569.9  2565.1  2567.8
2021-01-04 13:00:00+05:30   2567.9  2568.0  2561.9  2565.0
2021-01-04 13:15:00+05:30   2565.0  2565.0  2556.4  2558.0
2021-01-04 13:30:00+05:30   2559.1  2567.9  2557.2  2565.65
2021-01-04 13:45:00+05:30   2565.8  2571.1  2565.0  2571.0
2021-01-04 14:00:00+05:30   2570.95 2575.0  2565.1  2572.75
2021-01-04 14:15:00+05:30   2572.4  2576.0  2567.45 2575.35
2021-01-04 14:30:00+05:30   2575.6  2580.8  2570.95 2578.65
2021-01-04 14:45:00+05:30   2579.25 2584.0  2575.55 2581.8
2021-01-04 15:00:00+05:30   2581.7  2582.7  2575.0  2579.7
2021-01-04 15:15:00+05:30   2579.75 2582.65 2575.0  2578.5
2021-01-05 09:15:00+05:30   2581.15 2623.45 2573.3  2611.0-   2567.68 -------day2
2021-01-05 09:30:00+05:30   2611.45 2628.0  2609.0  2628.0    2567.68
2021-01-05 09:45:00+05:30   2627.0  2635.0  2622.5  2623.0    2567.68
2021-01-05 10:00:00+05:30   2622.65 2630.0  2621.95 2626.7    2567.68
2021-01-05 10:15:00+05:30   2626.65 2628.0  2617.0  2617.4    2567.68
2021-01-05 10:30:00+05:30   2617.4  2624.55 2615.0  2616.95   2567.68
2021-01-05 10:45:00+05:30   2616.95 2627.0  2615.1  2627.0    2567.68
2021-01-05 11:00:00+05:30   2627.6  2642.0  2626.55 2635.85   2567.68
2021-01-05 11:15:00+05:30   2635.85 2644.0  2633.2  2638.85   2567.68
2021-01-05 11:30:00+05:30   2638.85 2640.05 2633.0  2639.85   2567.68
2021-01-05 11:45:00+05:30   2639.9  2640.0  2633.0  2636.65   2567.68
2021-01-05 12:00:00+05:30   2636.05 2639.95 2633.0  2638.95   2567.68
2021-01-05 12:15:00+05:30   2639.15 2642.0  2635.2  2637.0    2567.68
2021-01-05 12:30:00+05:30   2637.2  2649.0  2636.8  2644.5    2567.68
2021-01-05 12:45:00+05:30   2644.8  2650.0  2644.45 2647.9    2567.68
2021-01-05 13:00:00+05:30   2647.35 2650.0  2644.0  2644.65   2567.68
2021-01-05 13:15:00+05:30   2644.65 2645.0  2628.55 2634.45   2567.68
2021-01-05 13:30:00+05:30   2634.5  2643.5  2631.0  2641.0    2567.68
2021-01-05 13:45:00+05:30   2641.05 2641.4  2633.0  2634.7    2567.68
2021-01-05 14:00:00+05:30   2634.8  2638.9  2632.0  2632.0    2567.68
2021-01-05 14:15:00+05:30   2632.0  2638.0  2630.0  2635.95   2567.68
2021-01-05 14:30:00+05:30   2635.95 2642.0  2633.2  2639.95   2567.68
2021-01-05 14:45:00+05:30   2639.85 2642.0  2637.25 2639.4    2567.68
2021-01-05 15:00:00+05:30   2639.25 2658.0  2638.35 2656.9    2567.68
2021-01-05 15:15:00+05:30   2656.15 2659.0  2646.95 2654.95   2567.68
2021-01-06 09:15:00+05:30   2660.1  2662.1  2638.5  2639.0            -----Day3
2021-01-06 09:30:00+05:30   2639.0  2648.8  2635.2  2646.05

我是新来的。

---

非常感谢您的帮助：）

如果可能的话，将

df1

中DatetimeIndex的第一个值与

df中当天的第一个原始值进行匹配。索引可以聚合，创建平均值（与总和除以
3
相同），为第二天移位，并用前向填充缺失值分配回新列：

df1 = df.resample('1D', # on='col name'   if the date column is not an index
                 origin='start').agg({'Open':'first',
                                      'Close':'last',
                                      'Low':'min',
                                      'High':'max'})
                                      
s = df1[['High','Low','Close']].mean(axis=1).shift()

df['new'] = s
df['new'] = df['new'].ffill()

另一种方法是根据
DatetimeIndex
分组，不使用时间，并使用新列：

谢谢你，耶斯雷尔用不同的方式向我展示了它，它也很完美。
df1 = df.resample('1D', # on='col name'   if the date column is not an index
                 origin='start').agg({'Open':'first',
                                      'Close':'last',
                                      'Low':'min',
                                      'High':'max'})
                                      
s = df1[['High','Low','Close']].mean(axis=1).shift()

df['new'] = s
df['new'] = df['new'].ffill()

df1 = df.groupby(df.index.normalize()).agg({'Open':'first',
                                      'Close':'last',
                                      'Low':'min',
                                      'High':'max'})
                                      
s = df1[['High','Low','Close']].mean(axis=1).shift()

df['new'] = df.index.normalize().map(s)