💡 Pandas时间序列处理技巧

本章讲解了Python编程基础，这里重点介绍量化交易中最常用的时间序列处理技巧：

1. 滚动计算（Rolling）

# 计算移动平均
df['ma20'] = df['close'].rolling(window=20).mean()

# 计算滚动标准差（波动率）
df['volatility'] = df['returns'].rolling(window=20).std()

# 自定义滚动函数
df['rolling_rank'] = df['close'].rolling(20).apply(
    lambda x: pd.Series(x).rank().iloc[-1]
)

2. 移动计算（EWM）

# 指数移动平均（权重指数衰减）
df['ema12'] = df['close'].ewm(span=12).mean()
df['ema26'] = df['close'].ewm(span=26).mean()

# MACD
df['macd'] = df['ema12'] - df['ema26']

3. 位移操作

# 获取前一天数据
df['prev_close'] = df['close'].shift(1)

# 计算收益率（避免未来函数）
df['returns'] = df['close'].pct_change()  # 等价于 (close - shift(1)) / shift(1)

4. 重采样

# 日线转周线
weekly = df.resample('W').agg({
    'open': 'first',
    'high': 'max',
    'low': 'min',
    'close': 'last',
    'volume': 'sum'
})

核心原则： 使用 shift(1) 确保只使用历史数据，避免未来函数！

5. 高效数据类型

# 使用正确的数据类型节省内存
df['close'] = df['close'].astype('float32')  # 而非默认的float64
df['volume'] = df['volume'].astype('int32')

性能优化： 对于大规模数据，使用 float32 可以减少50%内存占用，且精度足够金融计算。