本文详解如何将宽格式股价 dataframe（日期为索引、股票列为列）与交易记录 dataframe（含 date 和 symbol 列）高效关联，通过 stack + merge 实现精准价格匹配。
在量化分析或回测系统中，常需将交易指令（如买入/卖出某只股票）与其对应的历史价格对齐。典型场景是：一个 DataFrame 以日期为行索引、股票代码为列（宽格式），存储每日收盘价；另一个 DataFrame 记录每笔交易的日期（Date）、标的（Symbol）、方向（Order）和数量（Shares）。目标是为每笔交易添加当日该股票的成交价格（Price），生成带价格信息的交易明细表。
关键难点在于：第一个 DataFrame 是宽格式且索引为日期，而第二个 DataFrame 的日期是普通列，且需按“日期+股票代码”双重键匹配价格。直接使用 pd.concat() 或 join 并不适用——这不是简单的行拼接或索引对齐，而是基于多字段的查找式合并。
正确解法是：先将宽格式价格表转换为长格式（即“日期-股票-价格”三元组），再与交易表按 Date 和 Symbol 字段进行内连接（inner merge）。核心步骤如下：
- 重塑价格 DataFrame：使用 .stack() 将列名（如 'AAPL', 'IBM'）转为新列（默认为 level_1），原索引（日期）自动成为 level_0；再用 .reset_index(name='Price') 展平并命名价格列；
- 执行合并：以交易表的 ['Date', 'Symbol'] 为左键，重塑后价格表的 ['level_0', 'level_1'] 为右键，指定 how='inner' 仅保留有价格匹配的交易；
- 清理冗余列：删除临时生成的 level_0 和 level_1 列，保留语义清晰的字段。
✅ 示例代码（假设 df_prices 索引为 DatetimeIndex，df_trades 含 Date 和 Symbol 列）：
# 步骤1：将宽格式价格表转为长格式 price_long = df_prices.stack().reset_index(name='Price') price_long.columns = ['Date', 'Symbol', 'Price'] # 显式重命名，提升可读性 # 步骤2：与交易表合并（推荐显式列名，避免 level_x 混淆） result = df_trades.merge(price_long, on=['Date', 'Symbol'], how='inner') # 输出结果（自动包含 Date, Symbol, Order, Shares, Price） print(result)
? 注意事项：
- 确保 df_trades['Date'] 与 df_prices.index 的数据类型一致（建议统一为 datetime64[ns]），可用 pd.to_datetime() 强制转换；
- 若存在某日某股票无价格数据（如停牌），how='inner' 会自动过滤掉该交易；如需保留并填充 NaN，改用 how='left'；
- stack() 默认忽略 NaN 值，若原始价格表含空值，对应组合不会出现在长格式中；
- 对于大规模数据，可提前对 df_trades 和 price_long 的合并键列设置索引或使用 pd.merge(..., sort=False) 提升性能。
该方法逻辑清晰、无循环、完全向量化，是 Pandas 处理“宽表→长表→关联”类任务的标准范式，适用于任意多股票、多日期场景。
