Skip to main content
 首页 » 编程设计

python之在条件匹配时使用 np.where 或类似方法创建数据框列

2025年04月02日15qq78292959

当某些条件匹配如下时,我正在尝试使用 np.where 或类似方法创建数据框列:

这个链接pickle file是我正在使用的数据的一部分。这是我到目前为止使用的代码:

data = pd.read_pickle('data_df') 

数据:

    Open    High    Low Last    Volume 
Timestamp                    
2014-03-04 09:30:00 1783.50 1784.50 1783.50 1784.50 171 
2014-03-04 09:31:00 1784.75 1785.75 1784.50 1785.25 28 
2014-03-04 09:32:00 1785.00 1786.50 1785.00 1786.50 81 
2014-03-04 09:33:00 1786.00 1786.00 1785.25 1785.25 41 
2014-03-04 09:34:00 1785.00 1785.25 1784.75 1785.25 11 

这些是我需要在 np.where 元素中使用的时间变量:

#Times 
daystart = '9:30' 
dayend = '16:14:59' 
IB_end = '10:29:59' 
 
IB_session = data.between_time(daystart,IB_end, include_start=True, include_end=True) 
day_session = data.between_time(daystart,dayend, include_start=True, include_end=True) 

这些是这些时间段的高点和低点:

IB_high = IB_session['High'].rolling(window=1,freq='D').max() 
IB_low = IB_session['Low'].rolling(window=1,freq='D').min() 

我需要写一个 np.where 语句或类似的语句来创建新的列显示:

当 data['Last'] > IB_high或者当 data['Last'] < IB_low我的声明需要确保每天只能发生其中一个。需要“IB_High_Break”或“IB_Low_Break”列中的简单 1 来标记这种情况的发生。这最终将用作进入交易的信号。

我试过用这个:

data['IB_High_Break'] = np.where(data['Last'] > IB_high,1, np.nan); 
data['IB_Low_Break'] = np.where(data['Last'] < IB_low,1,np.nan); 

但是报错ValueError: Series lengths must match to compare .

执行此操作的好方法是什么?

请您参考如下方法:

如果您对长度有疑问并且可以将数据放入同一个数组,请像这里那样做:...

>>> a = pd.Series(np.arange(10)) 
>>> b = pd.Series(np.arange(100,111)) 
>>> df = pd.DataFrame([a,b]) 
>>> df = df.T 
>>> df.loc[4.5]=nan 
>>> df.sort_index(inplace=True) 
>>> df.interpolate(inplace=True) 
>>> df 
        0      1 
0.0   0.0  100.0 
1.0   1.0  101.0 
2.0   2.0  102.0 
3.0   3.0  103.0 
4.0   4.0  104.0 
4.5   4.5  104.5 
5.0   5.0  105.0 
6.0   6.0  106.0 
7.0   7.0  107.0 
8.0   8.0  108.0 
9.0   9.0  109.0 
10.0  9.0  110.0 
>>> df.loc[4.5,1]=0 
>>> np.where(df[0]<df[1],1,np.nan) 
array([  1.,   1.,   1.,   1.,   1.,  nan,   1.,   1.,   1.,   1.,   1., 
         1.]) 
>>> np.where(df[0]>df[1],1,np.nan) 
array([ nan,  nan,  nan,  nan,  nan,   1.,  nan,  nan,  nan,  nan,  nan, 
        nan]) 
>>> 

否则你需要做一些迭代......