极值定位：寻找历史最高价与最低价的发生日

极值定位：寻找历史最高价与最低价的发生日

小象量化极客小册 · 华尔街量化分析先锋系列

Pandas 是量化交易员最核心的武器。本节你将通过 Series 和 DataFrame 深度处理时间序列行情数据，掌握 loc/iloc 定位筛选、缺失值与重复值清洗、以及最大回撤与年化波动率等核心指标统计计算。

小象量化极客小册 · 华尔街量化分析先锋系列 Pandas 是量化交易员最核心的武器。本节你将通过 Series 和 DataFrame 深度处理时间序列行情数据，掌握 loc/iloc 定位筛选、缺失值与重复值清洗、以及最大回撤与年化波动率等核心指标统计计算。

💡 核心导读

本节将深入讲解 Pandas 中四个核心统计方法：max()、min()、idxmax() 和 idxmin()。通过学习，您将掌握如何快速获取数据集的极值及其位置索引，这是数据分析中最常用的基础操作之一。重点包括：1) 单列/多列极值计算 2) 行列方向控制 3) 缺失值处理策略 4) 索引位置获取的实际应用场景。所有知识点均通过真实数据集演示，确保学完即可投入实际工作。

极值计算方法基础

基本语法与单列操作

import pandas as pd
import numpy as np

data = {
    '温度': [22.5, 24.0, np.nan, 21.3, 26.2, 19.8],
    '湿度': [45, 62, 78, 51, np.nan, 39],
    '股票标的': ['苹果公司', '谷歌公司', '亚马逊', '微软公司', '重庆', '成都']
}
df = pd.DataFrame(data, index=['周一', '周二', '周三', '周四', '周五', '周六'])

print("温度最高值:", df['温度'].max())  # 26.2
print("湿度最低值:", df['湿度'].min())  # 39.0

print("温度最大值(跳过NA):", df['温度'].max(skipna=True))  # 26.2
print("湿度最小值(包含NA):", df['湿度'].min(skipna=False))  # nan

执行后数据对比：

原始数据：
     温度   湿度  股票标的
周一 22.5  45.0  苹果公司
周二 24.0  62.0  谷歌公司
周三  NaN  78.0  亚马逊
... (略)

计算结果：
温度最高值: 26.2
湿度最低值: 39.0

多列与方向控制

print("各列最大值:\n", df[['温度', '湿度']].max())

df['体感指数'] = df['温度'] * 0.7 + df['湿度'] * 0.3
print("每日最高指标:\n", df[['温度', '湿度', '体感指数']].max(axis=1))

💡 概念小测：idxmax 的价值

在分析一只股票的历史行情时，df['close'].max() 与 df['close'].idxmax() 两个方法的返回结果有什么本质区别？

• 前者返回最高收盘价对应的日期索引，后者返回最高价格本身。
• 前者返回价格数组的最高价格数值（如 150.5），后者返回该最高价格首次出现时对应的行索引或日期标签。
• 两个方法的运行效率不同，idxmax 的耗时是 max 的十倍以上。
• 前者是 Pandas 原生函数，后者需要先导入 NumPy 才能使用。

📝 选择题

💡 概念小测：idxmax 的价值 在分析一只股票的历史行情时，df['close'].max() 与 df['close'].idxmax() 两个方法的返回结果有什么本质区别？

• A. 前者返回最高收盘价对应的日期索引，后者返回最高价格本身。
• B. 前者返回价格数组的最高价格数值（如 150.5），后者返回该最高价格首次出现时对应的行索引或日期标签。
• C. 两个方法的运行效率不同，idxmax 的耗时是 max 的十倍以上。
• D. 前者是 Pandas 原生函数，后者需要先导入 NumPy 才能使用。

答案：B（前者返回价格数组的最高价格数值（如 150.5），后者返回该最高价格首次出现时对应的行索引或日期标签。）

索引位置定位方法

idxmax/idxmin 实战

max_temp_day = df['温度'].idxmax()
min_humidity_day = df['湿度'].idxmin()

print(f"温度最高的日期: {max_temp_day}")  # 周五
print(f"湿度最低的日期: {min_humidity_day}")  # 周六

print("各指标峰值日期:")
print(df[['温度', '湿度']].idxmax())

输出结果：

温度最高的日期: 周五
湿度最低的日期: 周六

各指标峰值日期:
温度    周五
湿度    周三
dtype: object

复合条件应用

max_feel_idx = df['体感指数'].idxmax()
print("最舒适日数据:\n", df.loc[max_feel_idx])

df2 = pd.DataFrame({'A': [1, 2, 2, 1]})
print("重复值处理:", df2['A'].idxmax())  # 返回索引1

高级应用技巧

与groupby结合

sales = pd.DataFrame({
    '地区': ['华东']*4 + ['华北']*3,
    '销售额': [120, 150, 90, 110, 85, 130, 105]
})

region_max = sales.groupby('地区')['销售额'].max()
region_max_day = sales.groupby('地区')['销售额'].idxmax()

print("各区最高销售额:\n", region_max)
print("各区峰值记录位置:\n", region_max_day)

性能优化建议

large_df = pd.DataFrame(np.random.rand(1000000, 5))

%timeit large_df[3].max()  # 平均1.2ms

%timeit large_df.max()[3]  # 平均5.8ms

💡 代码填空：定位最高价日期

补全代码，定位股票历史最高价对应的交易日期：

import pandas as pd

prices = pd.Series([120, 145, 130], index=['2026-06-01', '2026-06-02', '2026-06-03'])
peak_date = prices.{blank}()
print(peak_date) # 输出 '2026-06-02'

• max_index
• idxmax
• argmax

✏️ 填空题

💡 代码填空：定位最高价日期 补全代码，定位股票历史最高价对应的交易日期：

import pandas as pd
prices = pd.Series([120, 145, 130], index=['2026-06-01', '2026-06-02', '2026-06-03'])
# 获取最高价首次出现的日期索引
peak_date = prices.___()
print(peak_date) # 输出 '2026-06-02'

答案：idxmax

本章小结

行动清单

• 在自有数据集上练习 idxmax() 与 groupby() 的组合应用，找出各分类下的峰值记录
• 创建包含缺失值的 DataFrame，测试 skipna 参数在不同方法中的表现差异
• 用时间序列数据实践，找出最近30天内销售额最高和最低的具体日期

「小象量化教研组」编著