要锁定并用于运行余额计算的数据框单元格（后续问题）

Question

注意：这是对我先前的问题的正确回答，请参见Dataframe cell to be locked and used for a running balance calculation conditional of result on another cell on same row

也请注意：无论谁能够在下面正确回答我的问题，我都会将该问题视为悬赏问题，并立即为成功答案提供50分。

说我有以下数据框

import pandas as pd
df = pd.DataFrame()

df['E'] = ('SIT','SCLOSE', 'SHODL', 'SHODL', 'SHODL', 'SHODL', 'SHODL', 'SHODL','SHODL','SCLOSE_BUY','BCLOSE_SELL', 'BHODL', 'BHODL', 'BHODL', 'BHODL', 'BHODL', 'BHODL','BUY','SIT','SIT')

df['F'] = (0.00,1.00,10.00, 5.00,6.00,-6.00, 6.00, 2.00,10.00,10.00,-8.00,33.00,-15.00,6.00,-1.00,5.00,10.00,0.00,0.00,0.00)

df.loc[19, 'G'] = 100.0000

对于G列，从100开始，我的上一个问题适用相同的规则，即如果在E列上发生买入或卖出，则G列上的相应余额将被锁定并连续用作基础金额，以计算F列为运行余额中每一行的增加/减少百分比，直到在栏E上显示BCLOSE或SCLOSE。

我已经解释了上一个问题中的规则，但是对该问题的新知识是，如果显示SCLOSE_BUY，则表明SELL已关闭，而BUY被打开，反之亦然，对于BCLOSE_SELL。 BCLOSE，SCLOSE，SCLOSE_BUY或BCLOSE_SELL行均成为运行余额计算的最后一行并在接下来显示“购买”或“卖出”时用作基础

仅供参考，安迪·L（Andy L.）成功回答了我的上一个问题，如下所示，但是当BCLOSE_SELL和SCLOSE_BUY接连发生时，此响应无法处理新的情况

df1 = df[::-1]
s = df1.B.isin(['BCLOSE','SCLOSE']).shift(fill_value=False).cumsum()
grps = df1.groupby(s)
init_val= 100
l = []
for _, grp in grps:
    s = grp.C * 0.01 * init_val
    s.iloc[0] = init_val
    s = s.cumsum()
    init_val = s.iloc[-1]
    l.append(s)

上面的答案并没有解决我在现实生活中遇到的问题，因此我没有发生BCLOSE而是收到BCLOSE_SELL，这基本上将买入卖出（即，我关闭买入并打开卖出），这成为了基础进行中的行的金额。

如果行继续作为SHODL，我可以调整代码，以便正确计算运行余额，但是如果我随后收到SCLOSE_BUY（如数据框的第9行所示），则需要使该行关闭SELL，重新打开购买，该行也将是我的余额。

我理解所有这些听起来令人困惑，因为将下面的列添加到我的上面的数据框中就是结果应该是的样子。

df['G'] = (191.62,191.62,190.19,175.89,168.74,160.16,168.74,160.16,157.3,143,130,138,105,120,114,115,110,100,100,100)

Answer 1

我对here中发布的类似问题有充分记录的答案，但是让我对其进行一些调整，以便可以将其应用于您刚刚提出的问题。本质上，您所需要做的就是以下列方式在BCLOSE_SELL和SCLOSE_BUY处添加两个新的断点：

df.index[df[type_col].isin(['BCLOSE', 'SCLOSE', 'BCLOSE_SELL', 'SCLOSE_BUY'])][::-1]

[在上一行中，type_col是指定操作的列的名称（例如SHOLD或BCLOSE），或者在您的情况下，列E。

您可以在下面找到与您的两个问题均适用的完整和更新的代码：

# basic setup
type_col = 'E'  # the name of the action type column
change_col = 'F'  # the name of the delta change column
res_col = 'G'  # the name of the resulting column
value = 100  # you can specify any initial value here
PERCENTAGE_CONST = 100

endpoints = [df.first_valid_index(), df.last_valid_index()]
# occurrences of 'BCLOSE', 'SCLOSE', 'BCLOSE_SELL' and 'SCLOSE_BUY' that break the sequence
breakpoints = df.index[df[type_col].isin(['BCLOSE','SCLOSE', 'BCLOSE_SELL', 'SCLOSE_BUY'])][::-1]
# removes the endpoints of the dataframe that do not break the structure
breakpoints = breakpoints.drop(endpoints, errors='ignore')

for i in range(len(breakpoints) + 1):

    prv = breakpoints[i - 1] - 1 if i else -1  # previous or first breakpoint
    try:
        nex = breakpoints[i] - 1  # next breakpoint
    except IndexError:
        nex = None  # last breakpoint

    # cumulative sum of values adjusted for the percentage change appended to the resulting column
    res = value + (df[change_col][prv: nex: -1] * value / PERCENTAGE_CONST).cumsum()[::-1]
    df.loc[res.index, res_col] = res

    # saving the value that will be the basis for percentage calculations
    # for the next breakpoint
    value = res.iloc[0]

产生的输出与您的预期结果一致：

>>> df
              E     F       G
0           SIT   0.0  191.62
1        SCLOSE   1.0  191.62
2         SHODL  10.0  190.19
3         SHODL   5.0  175.89
4         SHODL   6.0  168.74
5         SHODL  -6.0  160.16
6         SHODL   6.0  168.74
7         SHODL   2.0  160.16
8         SHODL  10.0  157.30
9    SCLOSE_BUY  10.0  143.00
10  BCLOSE_SELL  -8.0  130.00
11        BHODL  33.0  138.00
12        BHODL -15.0  105.00
13        BHODL   6.0  120.00
14        BHODL  -1.0  114.00
15        BHODL   5.0  115.00
16        BHODL  10.0  110.00
17          BUY   0.0  100.00
18          SIT   0.0  100.00
19          SIT   0.0  100.00