如何使用带日期的groupby查找最大/最小值？

Question

下面是我的数据框架。它有多个股票。我试图从这些数据中找出两件事。

1)如何找到所有股票的最小/最大相对波动率的日期。这意味着具有相应日期的每只股票的最大和最小相对波动率。

         Stock   Date              relativevolatility
0        AA.csv 2012-12-31            0.024419
1        AA.csv 2012-12-28            0.012888
2        AA.csv 2012-12-27            0.026482
3        AA.csv 2012-12-26            0.018423
4        AA.csv 2012-12-24            0.013994
5        AA.csv 2012-12-21            0.017422
6        AA.csv 2012-12-20            0.011541
7        AA.csv 2012-12-19            0.026316
8        AA.csv 2012-12-18            0.018120
9        AA.csv 2012-12-17            0.019406
10       AA.csv 2012-12-14            0.018454
11       AA.csv 2012-12-13            0.017411
12       AA.csv 2012-12-12            0.012673
13       AA.csv 2012-12-11            0.019699
14       AA.csv 2012-12-10            0.016442
15       AA.csv 2012-12-07            0.016403
16       AA.csv 2012-12-06            0.014011
17       AA.csv 2012-12-05            0.022340
18       AA.csv 2012-12-04            0.016677
19       AA.csv 2012-12-03            0.011862
20       AA.csv 2012-11-30            0.015458
21       AA.csv 2012-11-29            0.017794
22       AA.csv 2012-11-28            0.030102
23       AA.csv 2012-11-27            0.016888
24       AA.csv 2012-11-26            0.012019
25       AA.csv 2012-11-23            0.010791
26       AA.csv 2012-11-21            0.012092
27       AA.csv 2012-11-20            0.020544
28       AA.csv 2012-11-19            0.016857
29       AA.csv 2012-11-16            0.027044
        ...        ...                 ...
70666  ZION.csv 2012-02-15            0.018929
70667  ZION.csv 2012-02-14            0.016287

尝试#1 df2.groupby('Date'，‘Stock’)‘相对进化’.sum().idxmax()

这给了我一个时间/股票，但只针对一只股票，我甚至不确定我是否获得了该股票的最大相对波动率。

尝试#2 new.groupby('Stock')'relativevolatility'.agg(pd.np.min，pd.np.max)

这为我提供了股票的所有最小/最大值，但我不知道如何添加一列来表示每个股票的最小值和最大值出现的时间。

问题#1

如何打印一个表格，给出所有股票的最小/最大相对波动率，以及股票最小/最大波动发生的日期？

问题#2

如何才能找到所有股票一周中每一天的平均相对波动率？

Answer 1

您需要使用带有idxmin的idxmax，然后使用concat

#if necessary
#df['Date'] = pd.to_datetime(df['Date'])

df1 = df.loc[df.groupby('Stock')['relativevolatility'].idxmin()].set_index('Stock')
df2 = df.loc[df.groupby('Stock')['relativevolatility'].idxmax()].set_index('Stock')

df = pd.concat([df1, df2], axis=1, keys=('min','max'))
df.columns = df.columns.map('_'.join)
print (df)
           min_Date  min_relativevolatility   max_Date  max_relativevolatility
Stock                                                                         
AA.csv   2012-11-23                0.010791 2012-11-28                0.030102
ZION.csv 2012-02-14                0.016287 2012-02-15                0.018929

和具有聚合mean的weekday_name

df = (df.groupby(['Stock', df['Date'].dt.weekday_name])['relativevolatility']
        .mean()
        .reset_index(name='means'))
print (df)
      Stock       Date     means
0    AA.csv     Friday  0.016923
1    AA.csv     Monday  0.016428
2    AA.csv   Thursday  0.017448
3    AA.csv    Tuesday  0.018386
4    AA.csv  Wednesday  0.020324
5  ZION.csv    Tuesday  0.016287
6  ZION.csv  Wednesday  0.018929