Pandas - 在数据框中使用嵌套的 for 循环进行迭代
Pandas - iterating with nested for-loop in a dataframe
我有一些数据需要迭代乘数。本质上，我有三个参数需要在高 (=1) 中 (=0) 和低 (=-1) 级别应用。
迭代的参数值为：
par = 0.25
Skew = 0.20
TS = 0.1
我需要遍历 p、t 和 s 的每个组合，其中每个组合都在 [-1,0,1]
25% Par -1 -1 -1 -1 -1 -1 -1 -1 -1 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1
20% Skew -1 -1 -1 0 0 0 1 1 1 -1 -1 -1 0 0 0 1 1 1 -1 -1 -1 0 0 0 1 1 1
10% TS -1 0 1 -1 0 1 -1 0 1 -1 0 1 -1 0 1 -1 0 1 -1 0 1 -1 0 1 -1 0 1
我已经能够在排列 (1,1,1) 处获得 p,t,s 的预期结果，这是嵌套 for 循环中的最后一个，我只需要能够做到这一点对于每个排列，还包括应用的特定排列。我想我很接近。 . .但这让我无处可去。
In [3]:
df
Out[3]:
Quant Vol
0 13 30.00
1 4 27.50
2 -19 26.00
3 14 23.50
4 4 21.00
5 18 20.00
6 -1 19.00
7 16 18.50
8 -5 18.75
9 -18 19.00
In [4]:
df['par']=.25
df['skew']=.2
df['TS']=.1
In [5]:
df
Out[5]:
Quant Vol par skew TS
0 13 30.00 0.25 0.2 0.1
1 4 27.50 0.25 0.2 0.1
2 -19 26.00 0.25 0.2 0.1
3 14 23.50 0.25 0.2 0.1
4 4 21.00 0.25 0.2 0.1
5 18 20.00 0.25 0.2 0.1
6 -1 19.00 0.25 0.2 0.1
7 16 18.50 0.25 0.2 0.1
8 -5 18.75 0.25 0.2 0.1
9 -18 19.00 0.25 0.2 0.1
In [6]:
for p in [-1,0,1]:
df['p'] =p
for s in [-1,0,1]:
df['s'] = s
for t in [-1,0,1]:
df['t'] = t
In [7]:
def iterate(df):
df['Mod_Vol'] = df['Vol']*(1+df['par']*p)*(1+df['skew']*s)*(1+df['TS']*t)
return(df)
In [8]:
df = df.groupby([df['Vol']]).apply(iterate)
In [9]:
df
Out[9]:
Quant Vol par skew TS p s t Mod_Vol
0 13 30.00 0.25 0.2 0.1 1 1 1 49.5000
1 4 27.50 0.25 0.2 0.1 1 1 1 45.3750
2 -19 26.00 0.25 0.2 0.1 1 1 1 42.9000
3 14 23.50 0.25 0.2 0.1 1 1 1 38.7750
4 4 21.00 0.25 0.2 0.1 1 1 1 34.6500
5 18 20.00 0.25 0.2 0.1 1 1 1 33.0000
6 -1 19.00 0.25 0.2 0.1 1 1 1 31.3500
7 16 18.50 0.25 0.2 0.1 1 1 1 30.5250
8 -5 18.75 0.25 0.2 0.1 1 1 1 30.9375
9 -18 19.00 0.25 0.2 0.1 1 1 1 31.3500
我需要将 vol 的这些值中的每一个都计算 27 次，并且我需要一个名为 "Scenario" 的值，其中包含 p、s、t 的特定排列的标识符（例如排列#6 是 p=-1,s=0,t=1) 以便我稍后可以检查产生最大影响的场景 下面是 Vol 的前 2 个值，用于说明所需的结果（在 excel 中生成):
Scenario Quant Vol par skew TS p s t Mod_Vol
1 13.00 30.00 0.25 0.20 0.10 -1.00 -1.00 -1.00 16.20
2 13.00 30.00 0.25 0.20 0.10 -1.00 -1.00 0.00 18.00
3 13.00 30.00 0.25 0.20 0.10 -1.00 -1.00 1.00 19.80
4 13.00 30.00 0.25 0.20 0.10 -1.00 0.00 -1.00 20.25
5 13.00 30.00 0.25 0.20 0.10 -1.00 0.00 0.00 22.50
6 13.00 30.00 0.25 0.20 0.10 -1.00 0.00 1.00 24.75
7 13.00 30.00 0.25 0.20 0.10 -1.00 1.00 -1.00 24.30
8 13.00 30.00 0.25 0.20 0.10 -1.00 1.00 0.00 27.00
9 13.00 30.00 0.25 0.20 0.10 -1.00 1.00 1.00 29.70
10 13.00 30.00 0.25 0.20 0.10 0.00 -1.00 -1.00 21.60
11 13.00 30.00 0.25 0.20 0.10 0.00 -1.00 0.00 24.00
12 13.00 30.00 0.25 0.20 0.10 0.00 -1.00 1.00 26.40
13 13.00 30.00 0.25 0.20 0.10 0.00 0.00 -1.00 27.00
14 13.00 30.00 0.25 0.20 0.10 0.00 0.00 0.00 30.00
15 13.00 30.00 0.25 0.20 0.10 0.00 0.00 1.00 33.00
16 13.00 30.00 0.25 0.20 0.10 0.00 1.00 -1.00 32.40
17 13.00 30.00 0.25 0.20 0.10 0.00 1.00 0.00 36.00
18 13.00 30.00 0.25 0.20 0.10 0.00 1.00 1.00 39.60
19 13.00 30.00 0.25 0.20 0.10 1.00 -1.00 -1.00 27.00
20 13.00 30.00 0.25 0.20 0.10 1.00 -1.00 0.00 30.00
21 13.00 30.00 0.25 0.20 0.10 1.00 -1.00 1.00 33.00
22 13.00 30.00 0.25 0.20 0.10 1.00 0.00 -1.00 33.75
23 13.00 30.00 0.25 0.20 0.10 1.00 0.00 0.00 37.50
24 13.00 30.00 0.25 0.20 0.10 1.00 0.00 1.00 41.25
25 13.00 30.00 0.25 0.20 0.10 1.00 1.00 -1.00 40.50
26 13.00 30.00 0.25 0.20 0.10 1.00 1.00 0.00 45.00
27 13.00 30.00 0.25 0.20 0.10 1.00 1.00 1.00 49.50
1 -4.00 27.50 0.25 0.20 0.10 -1.00 -1.00 -1.00 14.85
2 -4.00 27.50 0.25 0.20 0.10 -1.00 -1.00 0.00 16.50
3 -4.00 27.50 0.25 0.20 0.10 -1.00 -1.00 1.00 18.15
4 -4.00 27.50 0.25 0.20 0.10 -1.00 0.00 -1.00 18.56
5 -4.00 27.50 0.25 0.20 0.10 -1.00 0.00 0.00 20.63
6 -4.00 27.50 0.25 0.20 0.10 -1.00 0.00 1.00 22.69
7 -4.00 27.50 0.25 0.20 0.10 -1.00 1.00 -1.00 22.28
8 -4.00 27.50 0.25 0.20 0.10 -1.00 1.00 0.00 24.75
9 -4.00 27.50 0.25 0.20 0.10 -1.00 1.00 1.00 27.23
10 -4.00 27.50 0.25 0.20 0.10 0.00 -1.00 -1.00 19.80
11 -4.00 27.50 0.25 0.20 0.10 0.00 -1.00 0.00 22.00
12 -4.00 27.50 0.25 0.20 0.10 0.00 -1.00 1.00 24.20
13 -4.00 27.50 0.25 0.20 0.10 0.00 0.00 -1.00 24.75
14 -4.00 27.50 0.25 0.20 0.10 0.00 0.00 0.00 27.50
15 -4.00 27.50 0.25 0.20 0.10 0.00 0.00 1.00 30.25
16 -4.00 27.50 0.25 0.20 0.10 0.00 1.00 -1.00 29.70
17 -4.00 27.50 0.25 0.20 0.10 0.00 1.00 0.00 33.00
18 -4.00 27.50 0.25 0.20 0.10 0.00 1.00 1.00 36.30
19 -4.00 27.50 0.25 0.20 0.10 1.00 -1.00 -1.00 24.75
20 -4.00 27.50 0.25 0.20 0.10 1.00 -1.00 0.00 27.50
21 -4.00 27.50 0.25 0.20 0.10 1.00 -1.00 1.00 30.25
22 -4.00 27.50 0.25 0.20 0.10 1.00 0.00 -1.00 30.94
23 -4.00 27.50 0.25 0.20 0.10 1.00 0.00 0.00 34.38
24 -4.00 27.50 0.25 0.20 0.10 1.00 0.00 1.00 37.81
25 -4.00 27.50 0.25 0.20 0.10 1.00 1.00 -1.00 37.13
26 -4.00 27.50 0.25 0.20 0.10 1.00 1.00 0.00 41.25
27 -4.00 27.50 0.25 0.20 0.10 1.00 1.00 1.00 45.38
感谢您在此方面的任何帮助。
约翰
import pandas as pd
import numpy as np
# your data
# ===============================
print(df)
Quant Vol
0 13 30.00
1 4 27.50
2 -19 26.00
3 14 23.50
4 4 21.00
5 18 20.00
6 -1 19.00
7 16 18.50
8 -5 18.75
9 -18 19.00
# processing
# ====================================
def func(group):
# some constants
par = 0.25
skew = 0.2
TS = 0.1
multi_level_index = pd.MultiIndex.from_product([[-1,0,1],[-1,0,1], [-1,0,1]], names=['p', 's', 't'])
# construct dataframe
frame = pd.DataFrame(index=multi_level_index)
frame['Quant'] = group['Quant'].values[0]
frame['Vol'] = group['Vol'].values[0]
frame = frame.reset_index()
frame['Scenario'] = np.arange(1, 1+len(frame))
frame = frame.set_index('Scenario')
# do calculations
frame['Mod_Vol'] = frame.Vol*(1+par*frame.p)*(1+skew*frame.s)*(1+TS*frame.t)
return frame
# do you really want to groupby on `Vol`
# because I saw there are duplicated value of Vol, say 19.00 on row 6 and 9
# below use groupby on the default integer index, which is equivalent to iterating over each row
result = df.groupby(level=0, as_index=False).apply(func).reset_index(level=0, drop=True)
p s t Quant Vol Mod_Vol
Scenario
1 -1 -1 -1 13 30 16.200
2 -1 -1 0 13 30 18.000
3 -1 -1 1 13 30 19.800
4 -1 0 -1 13 30 20.250
5 -1 0 0 13 30 22.500
6 -1 0 1 13 30 24.750
7 -1 1 -1 13 30 24.300
8 -1 1 0 13 30 27.000
9 -1 1 1 13 30 29.700
10 0 -1 -1 13 30 21.600
... .. .. .. ... ... ...
18 0 1 1 -18 19 25.080
19 1 -1 -1 -18 19 17.100
20 1 -1 0 -18 19 19.000
21 1 -1 1 -18 19 20.900
22 1 0 -1 -18 19 21.375
23 1 0 0 -18 19 23.750
24 1 0 1 -18 19 26.125
25 1 1 -1 -18 19 25.650
26 1 1 0 -18 19 28.500
27 1 1 1 -18 19 31.350
[270 rows x 6 columns]
# to select scenario 1, use .loc
result.loc[1]
p s t Quant Vol Mod_Vol
Scenario
1 -1 -1 -1 13 30.00 16.200
1 -1 -1 -1 4 27.50 14.850
1 -1 -1 -1 -19 26.00 14.040
1 -1 -1 -1 14 23.50 12.690
1 -1 -1 -1 4 21.00 11.340
1 -1 -1 -1 18 20.00 10.800
1 -1 -1 -1 -1 19.00 10.260
1 -1 -1 -1 16 18.50 9.990
1 -1 -1 -1 -5 18.75 10.125
1 -1 -1 -1 -18 19.00 10.260
我有一些数据需要迭代乘数。本质上，我有三个参数需要在高 (=1) 中 (=0) 和低 (=-1) 级别应用。 迭代的参数值为：
par = 0.25
Skew = 0.20
TS = 0.1
我需要遍历 p、t 和 s 的每个组合，其中每个组合都在 [-1,0,1]
25% Par -1 -1 -1 -1 -1 -1 -1 -1 -1 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1
20% Skew -1 -1 -1 0 0 0 1 1 1 -1 -1 -1 0 0 0 1 1 1 -1 -1 -1 0 0 0 1 1 1
10% TS -1 0 1 -1 0 1 -1 0 1 -1 0 1 -1 0 1 -1 0 1 -1 0 1 -1 0 1 -1 0 1
我已经能够在排列 (1,1,1) 处获得 p,t,s 的预期结果，这是嵌套 for 循环中的最后一个，我只需要能够做到这一点对于每个排列，还包括应用的特定排列。我想我很接近。 . .但这让我无处可去。
In [3]:
df
Out[3]:
Quant Vol
0 13 30.00
1 4 27.50
2 -19 26.00
3 14 23.50
4 4 21.00
5 18 20.00
6 -1 19.00
7 16 18.50
8 -5 18.75
9 -18 19.00
In [4]:
df['par']=.25
df['skew']=.2
df['TS']=.1
In [5]:
df
Out[5]:
Quant Vol par skew TS
0 13 30.00 0.25 0.2 0.1
1 4 27.50 0.25 0.2 0.1
2 -19 26.00 0.25 0.2 0.1
3 14 23.50 0.25 0.2 0.1
4 4 21.00 0.25 0.2 0.1
5 18 20.00 0.25 0.2 0.1
6 -1 19.00 0.25 0.2 0.1
7 16 18.50 0.25 0.2 0.1
8 -5 18.75 0.25 0.2 0.1
9 -18 19.00 0.25 0.2 0.1
In [6]:
for p in [-1,0,1]:
df['p'] =p
for s in [-1,0,1]:
df['s'] = s
for t in [-1,0,1]:
df['t'] = t
In [7]:
def iterate(df):
df['Mod_Vol'] = df['Vol']*(1+df['par']*p)*(1+df['skew']*s)*(1+df['TS']*t)
return(df)
In [8]:
df = df.groupby([df['Vol']]).apply(iterate)
In [9]:
df
Out[9]:
Quant Vol par skew TS p s t Mod_Vol
0 13 30.00 0.25 0.2 0.1 1 1 1 49.5000
1 4 27.50 0.25 0.2 0.1 1 1 1 45.3750
2 -19 26.00 0.25 0.2 0.1 1 1 1 42.9000
3 14 23.50 0.25 0.2 0.1 1 1 1 38.7750
4 4 21.00 0.25 0.2 0.1 1 1 1 34.6500
5 18 20.00 0.25 0.2 0.1 1 1 1 33.0000
6 -1 19.00 0.25 0.2 0.1 1 1 1 31.3500
7 16 18.50 0.25 0.2 0.1 1 1 1 30.5250
8 -5 18.75 0.25 0.2 0.1 1 1 1 30.9375
9 -18 19.00 0.25 0.2 0.1 1 1 1 31.3500
我需要将 vol 的这些值中的每一个都计算 27 次，并且我需要一个名为 "Scenario" 的值，其中包含 p、s、t 的特定排列的标识符（例如排列#6 是 p=-1,s=0,t=1) 以便我稍后可以检查产生最大影响的场景 下面是 Vol 的前 2 个值，用于说明所需的结果（在 excel 中生成):
Scenario Quant Vol par skew TS p s t Mod_Vol
1 13.00 30.00 0.25 0.20 0.10 -1.00 -1.00 -1.00 16.20
2 13.00 30.00 0.25 0.20 0.10 -1.00 -1.00 0.00 18.00
3 13.00 30.00 0.25 0.20 0.10 -1.00 -1.00 1.00 19.80
4 13.00 30.00 0.25 0.20 0.10 -1.00 0.00 -1.00 20.25
5 13.00 30.00 0.25 0.20 0.10 -1.00 0.00 0.00 22.50
6 13.00 30.00 0.25 0.20 0.10 -1.00 0.00 1.00 24.75
7 13.00 30.00 0.25 0.20 0.10 -1.00 1.00 -1.00 24.30
8 13.00 30.00 0.25 0.20 0.10 -1.00 1.00 0.00 27.00
9 13.00 30.00 0.25 0.20 0.10 -1.00 1.00 1.00 29.70
10 13.00 30.00 0.25 0.20 0.10 0.00 -1.00 -1.00 21.60
11 13.00 30.00 0.25 0.20 0.10 0.00 -1.00 0.00 24.00
12 13.00 30.00 0.25 0.20 0.10 0.00 -1.00 1.00 26.40
13 13.00 30.00 0.25 0.20 0.10 0.00 0.00 -1.00 27.00
14 13.00 30.00 0.25 0.20 0.10 0.00 0.00 0.00 30.00
15 13.00 30.00 0.25 0.20 0.10 0.00 0.00 1.00 33.00
16 13.00 30.00 0.25 0.20 0.10 0.00 1.00 -1.00 32.40
17 13.00 30.00 0.25 0.20 0.10 0.00 1.00 0.00 36.00
18 13.00 30.00 0.25 0.20 0.10 0.00 1.00 1.00 39.60
19 13.00 30.00 0.25 0.20 0.10 1.00 -1.00 -1.00 27.00
20 13.00 30.00 0.25 0.20 0.10 1.00 -1.00 0.00 30.00
21 13.00 30.00 0.25 0.20 0.10 1.00 -1.00 1.00 33.00
22 13.00 30.00 0.25 0.20 0.10 1.00 0.00 -1.00 33.75
23 13.00 30.00 0.25 0.20 0.10 1.00 0.00 0.00 37.50
24 13.00 30.00 0.25 0.20 0.10 1.00 0.00 1.00 41.25
25 13.00 30.00 0.25 0.20 0.10 1.00 1.00 -1.00 40.50
26 13.00 30.00 0.25 0.20 0.10 1.00 1.00 0.00 45.00
27 13.00 30.00 0.25 0.20 0.10 1.00 1.00 1.00 49.50
1 -4.00 27.50 0.25 0.20 0.10 -1.00 -1.00 -1.00 14.85
2 -4.00 27.50 0.25 0.20 0.10 -1.00 -1.00 0.00 16.50
3 -4.00 27.50 0.25 0.20 0.10 -1.00 -1.00 1.00 18.15
4 -4.00 27.50 0.25 0.20 0.10 -1.00 0.00 -1.00 18.56
5 -4.00 27.50 0.25 0.20 0.10 -1.00 0.00 0.00 20.63
6 -4.00 27.50 0.25 0.20 0.10 -1.00 0.00 1.00 22.69
7 -4.00 27.50 0.25 0.20 0.10 -1.00 1.00 -1.00 22.28
8 -4.00 27.50 0.25 0.20 0.10 -1.00 1.00 0.00 24.75
9 -4.00 27.50 0.25 0.20 0.10 -1.00 1.00 1.00 27.23
10 -4.00 27.50 0.25 0.20 0.10 0.00 -1.00 -1.00 19.80
11 -4.00 27.50 0.25 0.20 0.10 0.00 -1.00 0.00 22.00
12 -4.00 27.50 0.25 0.20 0.10 0.00 -1.00 1.00 24.20
13 -4.00 27.50 0.25 0.20 0.10 0.00 0.00 -1.00 24.75
14 -4.00 27.50 0.25 0.20 0.10 0.00 0.00 0.00 27.50
15 -4.00 27.50 0.25 0.20 0.10 0.00 0.00 1.00 30.25
16 -4.00 27.50 0.25 0.20 0.10 0.00 1.00 -1.00 29.70
17 -4.00 27.50 0.25 0.20 0.10 0.00 1.00 0.00 33.00
18 -4.00 27.50 0.25 0.20 0.10 0.00 1.00 1.00 36.30
19 -4.00 27.50 0.25 0.20 0.10 1.00 -1.00 -1.00 24.75
20 -4.00 27.50 0.25 0.20 0.10 1.00 -1.00 0.00 27.50
21 -4.00 27.50 0.25 0.20 0.10 1.00 -1.00 1.00 30.25
22 -4.00 27.50 0.25 0.20 0.10 1.00 0.00 -1.00 30.94
23 -4.00 27.50 0.25 0.20 0.10 1.00 0.00 0.00 34.38
24 -4.00 27.50 0.25 0.20 0.10 1.00 0.00 1.00 37.81
25 -4.00 27.50 0.25 0.20 0.10 1.00 1.00 -1.00 37.13
26 -4.00 27.50 0.25 0.20 0.10 1.00 1.00 0.00 41.25
27 -4.00 27.50 0.25 0.20 0.10 1.00 1.00 1.00 45.38
感谢您在此方面的任何帮助。
约翰
import pandas as pd
import numpy as np
# your data
# ===============================
print(df)
Quant Vol
0 13 30.00
1 4 27.50
2 -19 26.00
3 14 23.50
4 4 21.00
5 18 20.00
6 -1 19.00
7 16 18.50
8 -5 18.75
9 -18 19.00
# processing
# ====================================
def func(group):
# some constants
par = 0.25
skew = 0.2
TS = 0.1
multi_level_index = pd.MultiIndex.from_product([[-1,0,1],[-1,0,1], [-1,0,1]], names=['p', 's', 't'])
# construct dataframe
frame = pd.DataFrame(index=multi_level_index)
frame['Quant'] = group['Quant'].values[0]
frame['Vol'] = group['Vol'].values[0]
frame = frame.reset_index()
frame['Scenario'] = np.arange(1, 1+len(frame))
frame = frame.set_index('Scenario')
# do calculations
frame['Mod_Vol'] = frame.Vol*(1+par*frame.p)*(1+skew*frame.s)*(1+TS*frame.t)
return frame
# do you really want to groupby on `Vol`
# because I saw there are duplicated value of Vol, say 19.00 on row 6 and 9
# below use groupby on the default integer index, which is equivalent to iterating over each row
result = df.groupby(level=0, as_index=False).apply(func).reset_index(level=0, drop=True)
p s t Quant Vol Mod_Vol
Scenario
1 -1 -1 -1 13 30 16.200
2 -1 -1 0 13 30 18.000
3 -1 -1 1 13 30 19.800
4 -1 0 -1 13 30 20.250
5 -1 0 0 13 30 22.500
6 -1 0 1 13 30 24.750
7 -1 1 -1 13 30 24.300
8 -1 1 0 13 30 27.000
9 -1 1 1 13 30 29.700
10 0 -1 -1 13 30 21.600
... .. .. .. ... ... ...
18 0 1 1 -18 19 25.080
19 1 -1 -1 -18 19 17.100
20 1 -1 0 -18 19 19.000
21 1 -1 1 -18 19 20.900
22 1 0 -1 -18 19 21.375
23 1 0 0 -18 19 23.750
24 1 0 1 -18 19 26.125
25 1 1 -1 -18 19 25.650
26 1 1 0 -18 19 28.500
27 1 1 1 -18 19 31.350
[270 rows x 6 columns]
# to select scenario 1, use .loc
result.loc[1]
p s t Quant Vol Mod_Vol
Scenario
1 -1 -1 -1 13 30.00 16.200
1 -1 -1 -1 4 27.50 14.850
1 -1 -1 -1 -19 26.00 14.040
1 -1 -1 -1 14 23.50 12.690
1 -1 -1 -1 4 21.00 11.340
1 -1 -1 -1 18 20.00 10.800
1 -1 -1 -1 -1 19.00 10.260
1 -1 -1 -1 16 18.50 9.990
1 -1 -1 -1 -5 18.75 10.125
1 -1 -1 -1 -18 19.00 10.260