如何计算不同时期的平均股票价格

Question

我正在尝试根据不同时期（周、月、年）计算股票的平均开盘价。

在这里你可以看到我的 df 的一部分：My dataframe（完整的 df 有 987 行）

首先，我试图逐周计算平均开盘价。我找到了一个解决方案，但它是不可持续的（我的电脑花了 5 分钟才完成计算）。在这里：

def average_opening_and_closing_prices(df):
    
    array = [0]
    n = df["weekofyear"].count()
    j=0

    for i in range(0,n): 

        array[j] = array[j] + kdf["Open"][i]
        if i != n-1 and kdf["weekofyear"][i] != kdf["weekofyear"][i+1]:
            array.append(0)
            j = j+1
    
    for x in array:
      print(str(x) + " ") 
    
average_opening_and_closing_prices(AMAZON_df)

你能帮我改进一下我的解决方案吗（主要是执行时间）？另外，例如，我想直接向我的 df 添加一列，其中包含每周的结果，而不是将结果放在数组中。

不允许我使用pandas，我只能使用pyspark和koalas

Answer 1

试试看：

from statistics import mean 
average = mean([week["Open"] for week in df["weekofyear"]])

搜索“pythonic”for 循环，遍历项目而不是索引。 https://www.w3schools.com/python/python_for_loops.asp

Answer 2

[更新：将年份纳入计算] 当您正在寻找一周（和一年）的平均价格并且已经在数据框中添加了 weekofyear 时，panda 本身可以为您完成。只需为年份添加一列并尝试 df.groupby(['year', 'weekofyear']).mean() 示例如下：

import pandas as pd

df = pd.DataFrame({
    'weekofyear' : [1, 1, 1, 2, 2, 2, 3, 3, 3], 
    'year' : [2017, 2017, 2018, 2017, 2017, 2018, 2017, 2017, 2018],
    'Open' : [757, 758, 759, 761, 761, 762, 763, 764, 764]
})

result_df = df.groupby(['year', 'weekofyear']).mean()

print(result_df)

输出

Open
year weekofyear       
2017 1           757.5
     2           761.0
     3           763.5
2018 1           759.0
     2           762.0
     3           764.0

如何计算不同时期的平均股票价格

How to calculate an average stock price depending on periods

python

apache-spark

pyspark

spark-koalas