python - Pandas 在特定时间(不是午夜)将数据帧规范化为数据(报价)

Question

我的数据框 (ds) 中的每日数据看起来像这样跨越了几年:

对于每一天，我都需要将所有报价标准化为该特定日期的特定时间。例如，在 6 月 1 日，我需要将所有报价标准化为 6 月 1 日下午 3 点的报价，但在 6 月 2 日，我需要将它们全部标准化为 6 月 2 日下午 3 点的报价。

我有一个每天下午 3 点所有报价的数据框，如下所示:

所以我认为如果我可以简单地将我的报价数据帧 (ds) 除以下午 3 点数据帧，它会起作用:

dr = ds.groupby(ds.index.date).apply(lambda x: x / b)

请注意，下午 3 点数据框包含的天数比报价数据框 (ds) 更多。因此，报价数据框必须划分为正确的相应日期在下午 3 点的数据框中，可能使用类似 b.index.date

的东西

我也尝试过不使用单独的数据框，而是从报价数据框 (ds) 本身中提取最后一个可用的报价 - 这也不起作用:

编辑:感谢 DSM 的建议。这有帮助吗？不确定我是否应该 pd.to_string() 数据框，因为它似乎也不容易剪贴板可读。

引用 ds 数据框:

bid ask mid
2000-01-04 14:45:12+00:00   281.0   281.5   281.25
2000-01-04 14:46:10+00:00   281.0   282.0   281.5
2000-01-04 14:47:14+00:00   281.2   282.2   281.7
2000-01-04 14:47:22+00:00   281.25  281.85  281.55
2000-01-04 14:47:47+00:00   281.25  281.75  281.5
2000-01-04 14:48:09+00:00   281.4   281.9   281.65
2000-01-04 14:48:40+00:00   281.3   282.3   281.8
2000-01-04 14:49:40+00:00   281.3   281.8   281.55
2000-01-04 14:49:45+00:00   281.2   282.2   281.7
2000-01-04 14:50:53+00:00   281.4   281.9   281.65

3pm 数据框:

bid_close   ask_close   price
2000-01-04 15:00:00+00:00   281.35  281.95  281.65
2000-01-05 15:00:00+00:00   280.73  281.48  281.105
2000-01-06 15:00:00+00:00   279.7   280.3   280.0
2000-01-07 15:00:00+00:00   282.3   282.9   282.6
2000-01-10 15:00:00+00:00   281.7   282.3   282.0
2000-01-11 15:00:00+00:00   282.1   282.7   282.4
2000-01-12 15:00:00+00:00   281.9   282.5   282.2
2000-01-13 15:00:00+00:00   281.9   282.7   282.3
2000-01-14 15:00:00+00:00   283.15  283.75  283.45
2000-01-17 15:00:00+00:00   285.5   286.0   285.75

还有命令:

c = ds.groupby(ds.index.date).apply(lambda x: x / x.between_time('14:30:00', '14:59:59').resample('30Min', how='last').dropna(how='all'))

我也尝试过(看起来很接近):

df = a.groupby(a.index.date).apply(lambda x: x / x.between_time('14:45:00', '14:59:59').tail(1))

这是一个似乎相关的链接(以及我基于上面命令的链接):Grouping daily data by month in python/pandas and then normalizing

Answer 1

这是第一天的简化示例，考虑到 d 是您的 quotes ds dataframe 和 n 是您的 3pm 数据框:

#get the first day of the 3pm dataframe
first_day = n.index.levels[0][0]
#get the day of the quotes dataframe from the first day of 3pm frame 
d1 = d.ix[first_day]
#get the 3pm values for the first day
n1 = n.ix[first_day]
#normalize the bid column, don't forget to modify the range variable 
norm = pd.concat([d1[d1.columns[i]].apply(lambda x: x / n1[n1.columns[i]]) for i in range(3)], axis = 1)

>>> norm
                    15:00:00+00:00  15:00:00+00:00      15:00:00+00:00
14:45:12+00:00  0.9987559978674249  0.9984039723355205  0.9985797976211611
14:46:10+00:00  0.9987559978674249  1.0001773364071644  0.9994674241079354
14:47:14+00:00  0.9994668562288963  1.000886682035822   1.0001775252973548
14:47:22+00:00  0.9996445708192642  0.9996453271856713  0.9996449494052904
14:47:47+00:00  0.9996445708192642  0.9992906543713425  0.9994674241079354
14:48:09+00:00  1.0001777145903676  0.9998226635928356  1.0
14:48:40+00:00  0.9998222854096321  1.0012413548501509  1.0005325758920647
14:49:40+00:00  0.9998222854096321  0.9994679907785069  0.9996449494052904
14:49:45+00:00  0.9994668562288963  1.000886682035822   1.0001775252973548
14:50:53+00:00  1.0001777145903676  0.9998226635928356  1.0