量化人的 pandas 最小技能包

把行情读进 DataFrame#

第一步永远是把上一课存好的数据读进来，并把日期设为索引：

1
import pandas as pd
2

3
df = pd.read_parquet("data/600519_hfq.parquet")
4
df["date"] = pd.to_datetime(df["date"])
5
df = df.set_index("date").sort_index()

三个动作缺一不可：日期转成 datetime 类型、设为索引、按时间排序。后面所有基于时间的操作（切片、滚动、对齐）都依赖这个前提。设好索引后，df.loc["2024"] 就能直接取出 2024 年的所有数据，df.loc["2024-01":"2024-06"] 取出上半年，这种按时间切片的能力会反复用到。

读入之后养成”先看一眼再动手”的习惯：df.head() 看前几行、df.dtypes 确认每列类型、df.index.is_monotonic_increasing 确认时间已排好序。三行代码十秒钟，能避免后面莫名其妙的错误结果。

多标的对齐：索引是灵魂#

研究多只股票时，最容易出错的环节是对齐。正确的姿势是把数据整理成”日期 × 标的”的宽表，例如收盘价表：

1
# prices: 行是交易日，列是股票代码，值是后复权收盘价
2
prices = pd.concat(
3
    {code: read_close(code) for code in codes}, axis=1
4
)

concat 按索引自动对齐：某只股票停牌的日期，对应位置自动变成 NaN，而不是把不同日期的数据错位拼在一起。让 pandas 用索引对齐，永远优于自己按行号硬拼——按行号拼接多只股票的数据，只要有一只停过牌，后面的数据就全部错位，而且不会报错。

顺便认识两种数据形态：上面这种”日期 × 标的”的宽表适合做时间序列计算；另一种长表是每行一条记录（日期、代码、字段值），适合做分组统计。两者用 stack / unstack 或 pivot / melt 互相转换，量化研究里两种形态都会频繁用到，遇到别扭的计算时先想想是不是数据形态不对。

pct_change：一行算出收益率#

日收益率 = 今天收盘价 / 昨天收盘价 - 1。pandas 一行搞定：

1
returns = prices.pct_change()          # 每列独立计算日收益率
2
cum = (1 + returns).cumprod() - 1      # 累计收益率

第二行值得多看一眼：累计收益不能把日收益率直接相加，因为收益是复利叠乘的关系——每天的收益作用在前一天的净值之上。(1 + returns).cumprod() 表达的正是”净值逐日连乘”，这个模式在计算净值曲线时会一遍遍出现。

pct_change 对宽表的每一列独立计算，天然支持多标的。注意第一行必然是 NaN（没有前一天），后续计算要么 dropna，要么确认所用函数能忽略 NaN。

和它配套的另一个高频函数是 shift。prices.shift(1) 把整列数据往后挪一天，于是 prices / prices.shift(1) - 1 与 pct_change() 等价。更重要的用途是错开信号与执行：signal.shift(1) 表示”用昨天的信号决定今天的动作”，这是回测中防止用到未来数据的关键一招，先把这个函数记住。

rolling：均线与滚动波动率#

技术指标和风险指标大量依赖滚动窗口：

1
ma20 = prices.rolling(20).mean()            # 20 日均线
2
vol20 = returns.rolling(20).std()           # 20 日收益波动率
3
ann_vol = vol20 * (252 ** 0.5)              # 粗略年化（约 252 个交易日）

rolling(20) 的含义是”过去 20 个交易日（含当天）“。窗口不满 20 天的开头部分结果是 NaN，这是正常的，不要强行填充。除了 mean 和 std，滚动对象上还能接 max、min、sum 等方法——比如 prices.rolling(60).max() 就是”过去 60 日最高价”，突破类策略的核心组件一行就写完了。

这里埋一个伏笔：用当天收盘价算出的均线，只能用于指导明天的交易——信号和执行之间必须隔一天，否则就用了未来数据。这是回测课的重点。

groupby：分组统计#

横截面研究离不开分组。比如把长表格式的数据按股票分组、按月份分组：

1
# long: 长表，列包含 code / date / ret
2
by_code = long.groupby("code")["ret"].agg(["mean", "std", "count"])
3

4
# 按月统计每个月的平均日收益
5
by_month = long.groupby(long["date"].dt.to_period("M"))["ret"].mean()

groupby 的思考模板是三步：按什么分组（split）、对每组做什么计算（apply）、结果如何合并（combine）。以后做因子分层回测——按因子值把股票分成五组、比较各组收益——本质就是一次 groupby。

一个实用细节：agg 里可以同时给出多个统计量，一次算完；如果要对分组结果做”组内排名”或”组内标准化”这类保持原有行数的计算，用 transform 而不是 agg。这两个方法的区别（聚合成一行 vs 逐行返回）值得花十分钟亲手试一遍。

矢量化思维：告别 for 循环#

从普通 Python 转向量化研究，最大的思维转变是矢量化。同样是算 20 日均线，两种写法：

1
# 慢：逐行 for 循环
2
ma = []
3
for i in range(len(close)):
4
    ma.append(close[max(0, i - 19): i + 1].mean())
5

6
# 快：一次性对整列操作
7
ma = close.rolling(20).mean()

矢量化写法不只是快几十倍，更重要的是表达意图清晰、不容易写错边界条件。上面的循环版本就藏着一个容易忽略的问题：开头不足 20 天时它算的是”有多少算多少”的均值，而 rolling 版本诚实地返回 NaN——后者才是研究中想要的行为。

看到 for 循环逐行处理 DataFrame 时，先停下来问自己：这件事能不能用 rolling、shift、pct_change、groupby 的组合表达？入门阶段绝大多数场景答案是能。真正需要逐行状态依赖的逻辑（比如复杂的持仓状态机）再用循环不迟。

最后给一条学习建议：不要试图背 API。把本课的五类操作亲手敲三遍，遇到不会的再查文档，两周后这些函数就会变成肌肉记忆。工具的目标是”够用且熟练”，花哨的技巧留给以后按需补充。

顺带一句，本系列只讲研究方法，不构成投资建议。

本课小结#

• 读入数据后先做三件事：日期转类型、设索引、排序。
• 多标的数据靠索引自动对齐，不要按行号硬拼。
• pct_change 算收益率、rolling 做滚动统计、groupby 做分组统计，覆盖入门期大部分需求。
• 滚动窗口开头的 NaN 是正常现象；信号与执行之间要隔一天，防止使用未来数据。
• 优先矢量化，for 循环留给真正有状态依赖的逻辑。

动手练习：用上一课下载的股票数据，计算日收益率、20 日均线和 20 日年化波动率，然后用 groupby 按年份统计每年的平均日收益率和波动率，输出成一张小表。全程不使用 for 循环。