我有一个数据源，它给了我以下数据框。pricehistory:
+---------------------+------------+------------+------------+------------+----------+------+
| time | close | high | low | open | volume | red |
+---------------------+------------+------------+------------+------------+----------+------+
| | | | | | | |
| 2020-01-02 10:14:00 | 321.336177 | 321.505186 | 321.286468 | 321.505186 | 311601.0 | True |
| 2020-01-02 11:16:00 | 321.430623 | 321.465419 | 321.395827 | 321.465419 | 42678.0 | True |
| 2020-01-02 11:17:00 | 321.425652 | 321.445536 | 321.375944 | 321.440565 | 39827.0 | True |
| 2020-01-02 11:33:00 | 321.137343 | 321.261614 | 321.137343 | 321.261614 | 102805.0 | True |
| 2020-01-02 12:11:00 | 321.256643 | 321.266585 | 321.241731 | 321.266585 | 25629.0 | True |
| 2020-01-02 12:12:00 | 321.246701 | 321.266585 | 321.231789 | 321.266585 | 40869.0 | True |
| 2020-01-02 13:26:00 | 321.226818 | 321.266585 | 321.226818 | 321.261614 | 44011.0 | True |
| 2020-01-03 10:18:00 | 320.839091 | 320.958392 | 320.828155 | 320.958392 | 103351.0 | True |
| 2020-01-03 10:49:00 | 320.988217 | 321.077692 | 320.988217 | 321.057809 | 84492.0 | True |
| etc... | etc... | etc... | etc... | etc... | etc... | etc. |
+---------------------+------------+------------+------------+------------+----------+------+
产出： pricehistory.dtypes:
close float64
high float64
low float64
open float64
volume float64
red bool
dtype: object
产出： pricehistory.index.dtype:dtype('<M8[ns]')
注意：这个数据框很大，每一行都是1分钟的数据，而且跨度长达数月，所以有很多时间框架需要迭代。
我想使用一些特定的标准，这些标准将成为新数据框架中的列。
open < close 当天到目前为止，我还不清楚如何从时间(datetimeindex值)和高价中拉出 pricehistory.
对于上面的(1)，我使用的是 pd.DataFrame(pricehistory.high.groupby(pd.Grouper(freq='D')).max()) 这给了我。
+------------+------------+
| time | high |
+------------+------------+
| | |
| 2020-01-02 | 322.956677 |
| 2020-01-03 | 321.753729 |
| 2020-01-04 | NaN |
| 2020-01-05 | NaN |
| 2020-01-06 | 321.843204 |
| etc... | etc... |
+------------+------------+
但这行不通，因为它只给我一天的时间，而不是精确到分钟，并且使用... min 作为 Grouper freq不工作，因为这样的话，就只是每个min的最大值，也就是 high.
期望的结果（注：包括分钟）。
+---------------------+------------+
| time | high |
+---------------------+------------+
| | |
| 2020-01-02 9:31:00 | 322.956677 |
| 2020-01-03 10:13:11 | 321.753729 |
| 2020-01-04 15:33:12 | 320.991231 |
| 2020-01-06 12:01:23 | 321.843204 |
| etc... | etc... |
+---------------------+------------+
对于上述(2)，我使用的是以下方法。
pricehistory['red'] = pricehistory['close'].lt(pricehistory['open'])
要在 pricehistory 其中显示了我们是否有4个红色的分钟连续。
然后，使用 new_pricehistory = pricehistory.loc[pricehistory[::-1].rolling(4)['red'].sum().eq(4)]这就给出了一个新的数据框架，其中只包含一行中出现4个红色分钟的行，最好是只出现第一次的行，而不是所有的行。
目前的输出。
+---------------------+------------+------------+------------+------------+--------+------+
| time | close | high | low | open | volume | red |
+---------------------+------------+------------+------------+------------+--------+------+
| | | | | | | |
| 2020-01-02 10:14:00 | 321.336177 | 321.505186 | 321.286468 | 321.505186 | 311601 | TRUE |
| 2020-01-03 10:18:00 | 320.839091 | 320.958392 | 320.828155 | 320.958392 | 103351 | TRUE |
| 2020-01-06 10:49:00 | 320.520956 | 320.570665 | 320.501073 | 320.550781 | 71901 | TRUE |
+---------------------+------------+------------+------------+------------+--------+------+
谢谢你！