python - 对两个 Pandas DataFrame 进行矢量化操作以创建一个新的 DataFrame

Question

我有orders.csv作为名为 orders_df 的数据框:

           Symbol Order  Shares
Date                           
2011-01-10   AAPL   BUY    100
2011-01-13   AAPL   SELL   200
2011-01-13    IBM   BUY    100
2011-01-26   GOOG   SELL   200

我最终用 orders_df = orders_df.sort_index() 对数据框进行排序。

然后我创建一个 symbols像这样:

symbols = np.append(orders_df.loc[:, 'Symbol'].unique(), 'SPY')

这是我的第二个 DataFrame df_prices .

df_prices = get_data(symbols, orders_df.index, addSPY=False)
df_prices.loc[:, 'CASH] = 1.0

打印出:

            AAPL IBM  GOOG XOM  SPY   CASH
Date                                                   
2011-01-10  150  100  50   400  100   1.0
2011-01-13  250  200  500  100  100   1.0
2011-01-13  250  200  500  100  100   1.0
2011-01-26  100  150  100  300  50    1.0

现在，我初始化第三个数据框:'

df_trades = pd.DataFrame(0, df_prices.index, columns=list(df_prices))

我需要使用前两个日期帧用正确的值填充此数据帧。如果我BUY AAPL ，我想乘Shares来自orders_df价格为AAPL次-1 。如果是SELL我不会乘以-1 。我将该值放入正确的 CASH 中柱子。对于其他列，我只需复制 Shares每只股票在交易日的情况。

            AAPL IBM  GOOG XOM  SPY   CASH
Date                                                   
2011-01-10  100  0    0   0  0      -15000
2011-01-13  -200 0    0   0  0      50000
2011-01-13  0   100   0   0  0      -20000
2011-01-26  0     0  -200  0  0      20000

我如何实现df_trades使用矢量化运算？

更新

如果我这样做会怎样:

df_prices = get_data(symbols, orders_df.index, addSPY=False)
df_prices.loc[:, 'CASH] = 1.0

打印出来

          AAPL     IBM    GOOG    XOM     SPY  CASH
2011-01-10  340.99  143.41  614.21  72.02  123.19   1.0
2011-01-11  340.18  143.06  616.01  72.56  123.63   1.0
2011-01-12  342.95  144.82  616.87  73.41  124.74   1.0
2011-01-13  344.20  144.55  616.69  73.54  124.54   1.0
2011-01-14  346.99  145.70  624.18  74.62  125.44   1.0
2011-01-18  339.19  146.33  639.63  75.45  125.65   1.0
2011-01-19  337.39  151.22  631.75  75.00  124.42   1.0

我如何生成 df_trades然后呢？

仅供引用，示例值不再有效。

Answer 1

矢量化解决方案

j = np.array([df_trades.columns.get_loc(c) for c in orders_df.Symbol])
i = np.arange(len(df_trades))
o = np.where(orders_df.Order.values == 'BUY', -1, 1)
v = orders_df.Shares.values * o
t = df_trades.values
t[i, j] = v

df_trades.loc[:, 'CASH'] = \
    df_trades.drop('CASH', 1, errors='ignore').mul(prices_df).sum(1)
df_trades

            AAPL  IBM  GOOG  XOM  SPY     CASH
Date                                          
2011-01-10  -100    0     0    0    0 -15000.0
2011-01-13   200    0     0    0    0  50000.0
2011-01-13     0 -100     0    0    0 -30000.0
2011-01-26     0    0   200    0    0  20000.0