2. Pandas基础回顾：DataFrame与Series核心操作、索引与切片、缺失值处理基础、时间序列索引
各位同学，咱们直接进入正题。做量化投研，数据清洗是逃不掉的一关。而Pandas，就是咱们手里最顺手的工具。今天这一章，我带你快速过一遍Pandas的核心操作，重点放在你写策略、做回测时真正会用到的那些东西上。
本章核心脉络：从数据结构（Series/DataFrame）→ 索引切片 → 缺失值处理 → 时间序列索引。这四个环节，是量化数据清洗的基石。
2.1 数据结构：Series 与 DataFrame
说白了，Series就是一列带标签的数据，DataFrame就是多列拼起来的表格。我刚开始用Pandas时，总把DataFrame当成Excel表格来理解，其实也差不多，但Pandas的灵活性强太多了。
import pandas as pd
import numpy as np
# 创建一个Series
s = pd.Series([100, 102, 101, 105], index=['2024-01-01', '2024-01-02', '2024-01-03', '2024-01-04'])
print(s)
# 创建一个DataFrame
df = pd.DataFrame({
'open': [100, 102, 101, 105],
'high': [103, 104, 103, 107],
'low': [99, 101, 100, 104],
'close':[102, 101, 105, 106],
'volume':[10000, 12000, 11000, 15000]
}, index=pd.to_datetime(['2024-01-01', '2024-01-02', '2024-01-03', '2024-01-04']))
print(df.head())
我的习惯：拿到数据后，第一件事就是 df.info() 和 df.describe()。看一眼数据类型和基本统计量，心里就有底了。千万别上来就做复杂操作，先摸清数据底细。
2.2 索引与切片：loc、iloc 与布尔索引
索引切片是高频操作，我几乎每天都在用。这里有个坑——loc 和 iloc 的区别，很多人一开始会搞混。
- loc：基于标签（label）索引。比如
df.loc['2024-01-01']取的是标签为 '2024-01-01' 的行。 - iloc：基于整数位置（position）索引。比如
df.iloc[0]取的是第0行。 - 布尔索引：用条件筛选。比如
df[df['close'] > 103]。
# loc 示例
print(df.loc['2024-01-02':'2024-01-04', ['open', 'close']])
# iloc 示例
print(df.iloc[0:2, 0:3])
# 布尔索引：筛选出收盘价大于103的交易日
print(df[df['close'] > 103])
我曾经踩过的坑：用 df['2024-01-01'] 直接索引，结果报错。原因是索引是 DatetimeIndex 类型，需要用 df.loc['2024-01-01'] 才行。记住：[] 默认对列名操作，对行操作要用 loc 或 iloc。
2.3 缺失值处理基础
真实数据里，缺失值太常见了。交易所数据偶尔会断点，财务数据可能某期没更新。处理缺失值，我一般分三步走：
- 发现缺失：
df.isna().sum()快速定位哪些列有缺失。 - 判断原因：是数据本身缺失，还是合并时产生的？
- 选择策略：填充（fillna）还是删除（dropna）？
# 构造一个有缺失值的DataFrame
df_missing = pd.DataFrame({
'close': [102, np.nan, 105, 106],
'volume': [10000, 12000, np.nan, 15000]
}, index=pd.to_datetime(['2024-01-01', '2024-01-02', '2024-01-03', '2024-01-04']))
print(df_missing.isna().sum())
# 填充：用前一个值填充（适合时间序列）
df_missing['close'].fillna(method='ffill', inplace=True)
# 删除：如果某行缺失太多，直接删掉
df_missing.dropna(thresh=2, inplace=True) # 至少保留2个非空值
print(df_missing)
我个人建议：对于时间序列数据，尽量用 ffill（前向填充）或 interpolate（插值），别轻易删数据。删掉一行，可能就丢掉了一个交易日的信号，回测结果会失真。
2.4 时间序列索引
量化数据最核心的就是时间。Pandas 的 DatetimeIndex 让时间操作变得非常优雅。你想想看，如果没有时间索引，你要手动算日期偏移、重采样，那得多痛苦。
| 操作 | 说明 | 示例 |
|---|---|---|
| 创建 DatetimeIndex | 将字符串列转为时间索引 | pd.to_datetime(df['date']) |
| 设置索引 | 将时间列设为行索引 | df.set_index('date', inplace=True) |
| 时间切片 | 按日期范围筛选 | df.loc['2024-01':'2024-03'] |
| 重采样 | 将日频数据转为周/月频 | df.resample('W').mean() |
| 滚动计算 | 计算移动平均等 | df['close'].rolling(5).mean() |
# 重采样示例：将日线数据转为周线
df_weekly = df.resample('W').agg({
'open': 'first',
'high': 'max',
'low': 'min',
'close': 'last',
'volume': 'sum'
})
print(df_weekly)
# 滚动计算：5日移动平均
df['ma5'] = df['close'].rolling(window=5).mean()
print(df[['close', 'ma5']])
重点提醒：时间序列索引一定要确保是 DatetimeIndex 类型，否则很多时间操作会报错。我习惯在数据加载后，第一时间用 pd.to_datetime() 转换，然后 set_index()。这一步做好了，后面所有操作都顺滑。
嗯，以上就是Pandas基础回顾的核心内容。数据结构、索引切片、缺失值处理、时间序列索引——这四个点你掌握扎实了，后面做数据清洗和特征工程就会轻松很多。记住，量化投研的数据处理，80%的时间都花在清洗和整理上，基础打牢，事半功倍。