Ваша проблема может быть упрощена после добавления дополнительных временных строк.Я установил новый фрейм данных, который содержит только обязательные поля из исходного df , и клонировал все строки, помеченные как «сигнал», но переименованные в «temp» df.loc[df.signal=='signal',cols].assign(signal='temp').Сортированные строки будут сгруппированы с помощью «signal» и cumsum ().см. ниже код:
str="""No Open High Low Close signal
1 75 95 65 50 signal
2 78 94 74 77 none
3 83 91 81 84 none
4 91 101 88 93 signal
5 104 121 95 103 none
6 101 111 99 105 none
7 97 108 95 101 signal
8 103 113 102 106 none
9 108 128 105 114 signal
10 104 114 99 102 none
11 110 130 105 115 signal
12 112 122 110 115 none
13 118 145 112 123 none
14 123 143 71 133 signal
15 130 150 120 140 none"""
df = pd.read_csv(pd.io.common.StringIO(str), sep='\s+')
# cols which are used in this task
cols = ['No', 'Low', 'signal']
# create a new dataframe, cloned all 'signal' rows but rename signal to 'temp', sort the rows
df1 = pd.concat([df[cols], df.loc[df.signal=='signal',cols].assign(signal='temp')]) \
.sort_values(['No', 'signal'],ascending=[1,0])
# set up group-number with cumsum() and get min() value from each group
df1['g'] = (df1.signal == 'signal').cumsum()
# the following field just for reference, no need for calculation
df1['Low_min'] = df1.groupby('g').Low.transform('min')
Новый кадр данных df1 будет выглядеть следующим образом.За исключением первой и последней группы, теперь каждая группа начинается с «сигнала» и заканчивается «темпом» (который также является «сигналом»):
Исходя из вашего описания, для строки № 9 (желтый фон, первый элемент в df1.g == 4) мы можем проверить df1.loc[df1.g==3, "Low_min"] (с красной рамкой) против df1.loc[df1.g==1, "Low_min"] (с зеленой рамкой)
если у нас есть следующее:
s = df1.groupby('g').Low.min()
список группы покупок должен удовлетворять s.shift (1)> s.shift (3)
buy = s[s.shift(1) > s.shift(3)].index.tolist()
Итак, давайте установимусловия:
# m1: row marked with signal
# skip the first 3 groups which do not have enough signals
m1 = df1.signal.eq('signal') & df1.g.gt(3)
# m2: m1 plus must in buy list
m2 = df1.g.isin(buy) & m1
df1['trade'] = np.select([m2, m1], ['Buy', 'None'], '')
#In [36]: df1
#Out[36]:
# No Low signal g Low_min trade
#0 1 65 temp 0 65
#0 1 65 signal 1 65
#1 2 74 none 1 65
#2 3 81 none 1 65
#3 4 88 temp 1 65
#3 4 88 signal 2 88
#4 5 95 none 2 88
#5 6 99 none 2 88
#6 7 95 temp 2 88
#6 7 95 signal 3 95
#7 8 102 none 3 95
#8 9 105 temp 3 95
#8 9 105 signal 4 99 Buy
#9 10 99 none 4 99
#10 11 105 temp 4 99
#10 11 105 signal 5 71 Buy
#11 12 110 none 5 71
#12 13 112 none 5 71
#13 14 71 temp 5 71
#13 14 71 signal 6 71 None
#14 15 120 none 6 71
После того, как у нас есть df1.trade, мы можем обновить исходный фрейм данных:
# set up column `trade` with EMPTY as default and update
# the field based on df1.trade (using the index)
df['trade'] = ''
df.trade.update(df1.loc[df1.signal=='signal',"trade"])