在许多数据帧上进行高效的Python测试版计算

我有许多（4000+个）股票数据的CSV（日期、开盘、高位、低位、收盘），我将其导入到各个Pandas数据框中进行分析。我是python新手，希望为每种股票计算12个月的滚动beta，我找到了一篇计算滚动beta的帖子（python熊猫以矢量化方式使用滚动应用于groupby对象计算滚动股票beta），但是在我下面的代码中使用时需要2.5个多小时！考虑到我可以在3分钟内在SQL表中运行完全相同的计算，这太慢了

如何提高下面代码的性能以与SQL相匹配？我知道Pandas/python具有这种能力。我当前的方法在每一行上循环，我知道这会降低性能，但我不知道在数据帧上执行滚动窗口beta计算的任何聚合方法

注：将CSV加载到单个数据帧并计算每日回报的前两个步骤只需约20秒。我所有的CSV数据帧都存储在名为“filesload”的字典中，名字如“XAO”

非常感谢您的帮助！
谢谢：）

将熊猫作为pd导入，numpy作为np导入
导入日期时间
导入ntpath
pd.set_选项（“精度”，10）#设置要显示的小数点精度
start\u time=datetime.datetime.now（）
市场指数='XAO'
周期=250
MinBetaPeriod=周期
# ***********************************************************************************************
#计算回报
# ***********************************************************************************************
对于已加载文件中的文件：
filesload[File]['Return']=filesload[File]['Close'].pct_change（）
# ***********************************************************************************************
#钙β
# ***********************************************************************************************
def calc_β（df）：
np_数组=df.values
m=np_数组[：，0]#市场回报是numpy数组的第0列
s=np_数组[：，1]#股票收益是numpy数组的第一列
协方差=np.cov（s，m）#计算股票和市场之间的协方差
β=协方差[0,1]/协方差[1,1]
返回贝塔
#构建自定义“滚动应用”功能
def滚动应用（df、周期、func、最小周期=无）：
如果“最小周期”为“无”：
最小周期=周期
结果=pd系列（np.nan，索引=df.index）
对于范围（1，len（df）+1）内的i：
sub_df=df.iloc[max（i周期，0）：i，：]
如果len（sub_df）&gt；=最短期限：
idx=次级测向指数[-1]
结果[idx]=func（sub_df）
返回结果
#创建与返回数据帧具有相同索引的空BETA数据帧
df_join=pd.DataFrame（index=filesload[MarketIndex].index）
df_join['market']=已加载文件[MarketIndex]['Return']
df_join['stock']=np.nan
对于已加载文件中的文件：
df_join['stock'].更新（已加载文件[File]['Return']）
df_join=df_join.replace（np.inf，np.nan）#去掉无限值“inf”（SQL不会接受“inf”）
df_join=df_join.replace（-np.inf，np.nan）#去掉无限值“inf”（SQL不会接受“inf”）
df_join=df_join.fillna（0）#去掉返回数据中的nan
文件加载[文件]['Beta']=滚动应用（df_加入[['market'，'stock']]，期间，计算Beta，最小期间=最小期间）
# ***********************************************************************************************
#清理
# ***********************************************************************************************
打印（'Run-time:{0}'。格式（datetime.datetime.now（）-start_-time））