pandas - "Indexing"到起始时间点(指数水平 = 100)的价格序列，带有 pandas 数据框 : P(i, t)/P(i)

Question

我有一个 pandas 数据框，其中 datetime 是数据框的索引(我使用 t=0 来简化，实际上有类似 20170101 09:30:00 的东西)

datetime    Stock A    Stock B
t=0           5          20
t=1           6          30
t=2           8          25
t=3           4          20

我想返回:

datetime    Stock A    Stock B
t=0           100        100
t=1           120        150
t=2           140        125
t=3           80         100

用数学术语来说:Index(i, t) = P(i, t)/P(i, 0)。

我试过了

df_norm =  df[0:] / df[0:1]
print(df_norm)

这给了我一个错误。

edit1:我尝试了选项 3，效果很好(还不能尝试 NaN，但至少它不会为第一个 obs 创建 NaN(由 pctchange 引起))。我还想知道在执行之后，我的日期时间不再是设置的索引，只需重新分配它就可以轻松修复。

现在我正在尝试将它包装在一个函数中，但我认为索引导致了问题(实际上与我的“第一次”尝试相同的错误):

def norming(x):
    return x.assign(**x.drop('datetime', 1).pipe(
    lambda d: d.div(d.shift().bfill()).cumprod()))

edit2:如果我的日期时间列是一个索引，即

df_norm.set_index(['datetime'], inplace = True)

不过我会得到一个错误，我需要更改什么？

Answer 1

选项 1

df.set_index('datetime').pct_change().fillna(0) \
  .add(1).cumprod().mul(100).reset_index()

  datetime  Stock A  Stock B
0      t=0    100.0    100.0
1      t=1    120.0    150.0
2      t=2    160.0    125.0
3      t=3     80.0    100.0

---

选项 2

def idx_me(a):
    a = np.asarray(a)
    r = np.append(1, a[1:] / a[:-1])
    return r.cumprod() * 100

df.assign(**df.drop('datetime', 1).apply(idx_me))

  datetime  Stock A  Stock B
0      t=0    100.0    100.0
1      t=1    120.0    150.0
2      t=2    160.0    125.0
3      t=3     80.0    100.0

---

选项 3

df.assign(**df.drop('datetime', 1).pipe(
    lambda d: d.div(d.shift().bfill()).cumprod().mul(100)))

  datetime  Stock A  Stock B
0      t=0    100.0    100.0
1      t=1    120.0    150.0
2      t=2    160.0    125.0
3      t=3     80.0    100.0