3、数据结构概览：DataFrame基础、时间序列索引、多合约数据合并

好，咱们进入第三讲。说实话，很多做套利的新手，一开始就栽在数据上。策略逻辑想得挺美，一跑代码发现数据对不上、索引乱套、合约合并后全是空值。嗯，这节我就带你把这些坑填平。

3.1 DataFrame基础：你手里的“电子表格”

我个人习惯把DataFrame想象成一个超级智能的Excel表格。它有行、有列，但比Excel灵活得多。在套利分析中，每一行通常是一个时间点，每一列是某个合约的字段——比如收盘价、持仓量、成交量。

创建一个最简单的DataFrame，代码长这样：

import pandas as pd

data = {
    'RB01': [3800, 3810, 3820],
    'RB05': [3850, 3860, 3870],
    '时间': ['2024-01-01', '2024-01-02', '2024-01-03']
}
df = pd.DataFrame(data)
print(df)

输出结果：

   RB01  RB05          时间
0  3800  3850  2024-01-01
1  3810  3860  2024-01-02
2  3820  3870  2024-01-03

你看，这就是最原始的样子。但注意——这里的索引是默认的0、1、2，不是时间。这在套利里是致命的。为什么？因为你要对齐两个合约的同一时刻数据，没有时间索引，你根本不知道哪行跟哪行对应。

3.2 时间序列索引：让数据“说话”

我刚开始做套利时，犯过一个低级错误。我把两个合约的数据直接按行合并，以为第一行对第一行就行。结果一个合约有夜盘，另一个没有，数据全错位了。那次回测结果漂亮得离谱，实盘直接亏钱。嗯，从那以后，我养成了一个习惯——拿到数据第一件事，就是把时间列设为索引。

设置时间索引的代码：

df['时间'] = pd.to_datetime(df['时间'])
df.set_index('时间', inplace=True)
print(df)

输出：

            RB01  RB05
时间                  
2024-01-01  3800  3850
2024-01-02  3810  3860
2024-01-03  3820  3870

现在，索引是时间了。你可以用 df.loc['2024-01-02'] 直接取某天的数据。这在回测中非常方便。

3.3 多合约数据合并：套利的核心操作

套利嘛，就是同时盯着两个或多个合约。数据必须合并到一起。常用的合并方式有两种：横向合并和纵向合并。

3.3.1 横向合并：把合约“并排”放

比如你有RB01和RB05两个合约的日线数据，想放在一个DataFrame里，按时间对齐。用 pd.merge 或者 pd.concat 都可以。

# 假设 df1 是RB01数据，df2 是RB05数据
df_merged = pd.merge(df1, df2, left_index=True, right_index=True, suffixes=('_RB01', '_RB05'))
print(df_merged.head())

这里的关键是 left_index=True, right_index=True，意思是用索引（时间）来对齐。我见过有人用 on='时间' 但没设索引，结果两个DataFrame的时间列名不一样，合并出来全是NaN。嗯，细节决定成败。

3.3.2 纵向合并：把数据“摞”起来

有时候你需要把不同时间段的数据拼起来。比如你下载了2023年的数据和2024年的数据，想合成一个完整序列。用 pd.concat：

df_full = pd.concat([df_2023, df_2024], axis=0)
df_full.sort_index(inplace=True)  # 按时间排序

注意，纵向合并后索引可能乱序，一定要 sort_index。我曾经忘了这一步，回测时数据跳来跳去，策略信号完全错乱。

3.4 知识体系结构图

下面这张图，是我自己总结的数据处理流程。你跟着这个思路走，基本不会乱。

3.5 实战中的避坑指南

讲几个我踩过的坑，你记一下：

• 索引重复：同一个时间点出现两行数据。比如你从两个数据源各取了一份数据，合并时没去重。用 df.index.duplicated() 检查，再用 df[~df.index.duplicated(keep='first')] 去重。
• 缺失值处理：合并后某些时间点只有一个合约有数据。比如RB01有夜盘，RB05没有。这时候用 df.fillna(method='ffill') 向前填充，或者直接删除缺失行。我个人建议用前向填充，因为套利策略通常需要连续数据。
• 数据类型：价格列必须是浮点数。我遇到过从数据库读出来是字符串的情况，一算价差全是NaN。用 df['price'] = pd.to_numeric(df['price'], errors='coerce') 强制转换。

3.6 小结

这一节的内容，说白了就是三件事：把数据装进DataFrame、把时间设成索引、把多个合约合并到一起。你把这三点练熟了，后面讲价差计算、协整检验、回测框架，你才能跟得上。

记住，数据清洗不是最炫酷的部分，但它是最重要的部分。没有干净的数据，再牛逼的策略也是白搭。

---

公众号:蓝海资料掘金营，微信deep3321