熊貓 - 在數據框中迭代嵌套for循環

Question

我有一些數據需要迭代乘法器。實質上，我有三個參數需要在High（= 1）Medium（= 0）和Low（= - 1）級別應用。 被迭代的參數的值是：

par = 0.25 
Skew = 0.20 
TS = 0.1 

我需要的P，T和s每一個組合，其中每一個都是在[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 

遍歷

我已經能夠得到所需的結果p，t，s在排列（1,1,1）這是嵌套的for循環中的最後一個，我只需要能夠爲每個排列做到這一點並且還包含了所應用的特定排列。我覺得我很接近。 。但這讓我無處可尋。

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 

我需要有計算的27倍（體積）的這些值中的每一個和我需要有一個稱爲包含p的特定置換的標識符「場景」值，S，T（例如置換＃6是p = -1，s = 0，t = 1），以便我可以稍後檢查下面給出最大影響的情景是Vol的第2個值，以說明期望的結果（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 

感謝您的任何幫助。

約翰

Answer 1

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