Pandas：累计return函数

Question

我有一个如下所示的数据框：

  Index      Return
2008-11-21   0.153419
2008-11-24   0.037421
2008-11-25   0.077500

计算最后一行所有列的累积 return 的最佳方法是什么？

以下是预期结果：

  Index      Return
2008-11-21   0.153419
2008-11-24   0.037421
2008-11-25   0.077500
Cumulative   0.289316

其中累计return计算如下：

cumulative = (1 + return1) * (1 + return2) * (1 + return3) - 1

在 pandas 中执行此操作的最佳方法是什么？

Answer 1

一种选择是只使用 reduce，尽管其他人可能会想出更快的向量化方法：

In [10]: pd.read_clipboard()
Out[10]:
        Index    Return
0  2008-11-21  0.153419
1  2008-11-24  0.037421
2  2008-11-25  0.077500

In [11]: reduce(lambda x, y: (1+x)*(1+y)-1, _10['Return'])
Out[11]: 0.28931612705992227

请注意，在 Python 3 中，reduce 是 functools 库的一部分，尽管它是 Python 2 的内置函数。

Answer 2

有了pandas，可以使用prod()方法：

df.append(df.iloc[:,1:].apply(lambda col: (col + 1).prod() - 1), ignore_index=True)

#        Index    Return
#0  2008-11-21  0.153419
#1  2008-11-24  0.037421
#2  2008-11-25  0.077500
#3         NaN  0.289316

或者正如@Randy C 评论的那样，这可以进一步简化为：

df.append((df.iloc[:,1:] + 1).prod() - 1, ignore_index=True)

Answer 3

这是我的：

from numpy import prod
df.append(df.apply(lambda col: prod([(1+c) for c in col]) - 1), ignore_index=True)

Answer 4

另一个解决方案：

df.ix["Cumulative"] = (df['Return']+1).prod() - 1

这会将 1 添加到 df['Return'] 列，将所有行相乘，然后从结果中减去 1。这将产生一个简单的浮点值。然后结果将放在索引 "Cumulative" 中。由于该索引尚不存在，it will be appended to the end of the DataFrame:

               Return
2008-11-21   0.153419
2008-11-25   0.077500
2008-11-24   0.037421
Cummulative  0.289316

如果您想跨多个列应用此方法：

df.ix['Cummulative'] = df.apply(lambda x: (x+1).prod()-1)

这将输出以下内容（我创建了一个名为 "Return2" 的第二列，它是 "Return" 的副本）：

               Return   Return2
2008-11-21   0.153419  0.153419
2008-11-25   0.077500  0.077500
2008-11-24   0.037421  0.037421
Cummulative  0.289316  0.289316

Answer 5

有一个 pandas cumprod() 的方法。这将适用于每一列。

df.ix["Cumulative"] = ((df+1).cumprod()-1).iloc[-1]

这比大型数据集上的其他解决方案快约 2 倍：

In[106]: %timeit df.ix["Cumulative"] = ((df+1).cumprod()-1).iloc[-1]
10 loops, best of 3: 18.4 ms per loop
In[107]: %timeit df.ix['Cummulative'] = df.apply(lambda x: (x+1).prod()-1)
10 loops, best of 3: 32.9 ms per loop
In[110]: %timeit df.append(df.iloc[:,1:].apply(lambda col: (col + 1).prod() - 1), ignore_index=True)
10 loops, best of 3: 37.1 ms per loop
In[113]: %timeit df.append(df.apply(lambda col: prod([(1+c) for c in col]) - 1), ignore_index=True)
1 loop, best of 3: 262 ms per loop

我建议 永远不要 如果您能找到内置方法，请使用 apply，因为 apply 会遍历数据帧，这会使其变慢。内置方法非常高效，通常您无法使用 apply 比它们更快。

Pandas：累计return函数

Pandas: Cumulative return function

python

finance

dataframe

pandas