本文介绍如何使用 pandas 的滚动窗口与条件选择高效识别 k 线数据中真正的局部高点（pivot=2）和低点（pivot=1），确保每个极值仅被标记一次，避免重复触发，适用于技术分析中的关键支撑/阻力位判定。
在量化交易与技术分析中，准确识别价格转折点（Pivot Points）至关重要——它们代表短期趋势潜在反转位置：局部最高点（High Pivot）通常标记为 2，局部最低点（Low Pivot）标记为 1。但需注意：仅当某根K线的 high（或 low）在其前后共 5 根K线窗口内（含自身，center=True）严格为最大值（或最小值） 时，才视为有效 pivot；且该标记应唯一、不可重复——即同一极值区域只标记一次，避免因平台震荡产生多个冗余信号。
核心实现依赖 rolling(5, center=True) 配合布尔判断与 np.select：
import pandas as pd
import numpy as np
# 示例数据构建
data = {
'date': ['01.01.2020', '02.01.2020', '03.01.2020', '04.01.2020', '05.01.2020',
'06.01.2020', '07.01.2020', '08.01.2020', '09.01.2020', '10.01.2020',
'11.01.2020', '12.01.2020', '13.01.2020', '14.01.2020', '15.01.2020',
'16.01.2020', '17.01.2020'],
'high': [207, 208, 209, 207, 206, 205, 204, 206, 207, 208, 210, 212, 214, 207, 203, 201, 199],
'low': [204, 205, 205, 203, 202, 200, 199, 201, 202, 205, 207, 209, 210, 204, 202, 198, 196]
}
df = pd.DataFrame(data)
# ✅ 关键步骤：滚动窗口检测极值（窗口大小=5，中心对齐）
cond_high = df['high'].rolling(5, center=True).max() == df['high'] # 局部最高点
cond_low = df['low'].rolling(5, center=True).min() == df['low'] # 局部最低点
# ✅ 使用 np.select 实现三值映射：high→2，low→1，其余→0
df['pivot'] = np.select([cond_high, cond_low], [2, 1], default=0)
# ✅ 可选：过滤出所有有效 pivot 行（便于后续分析）
pivot_signals = df[df['pivot'] != 0].copy()
print(pivot_signals[['date', 'high', 'low', 'pivot']])输出示例（截取关键行）：
date high low pivot 2 03.01.2020 209 205 2 6 07.01.2020 204 199 1 12 13.01.2020 214 210 2
⚠️ 重要注意事项： rolling(5, center=True) 要求数据至少有 2 行前置/后置缓冲区，首尾各 2 行无法计算 pivot，自动返回 NaN → np.select 中 default=0 会将其设为 0，符合预期； 若存在连续相等极值（如 high=[210,210,210]），.max() == df['high'] 将对全部相等位置返回 True，导致多标记 → 实际应用中建议结合 diff() 或 shift() 进一步去重（例如仅保留首次出现的极值索引）； 时间序列必须按日期升序排列（df.sort_values('date', inplace=True)），否则滚动窗口逻辑失效； 如需扩展为更严格定义（如要求 high > 前后两根、且 low 同步验证），可在条件中叠加 & 逻辑组合。
此方法兼具性能与可读性，避免显式循环，在万级K线数据上仍保持毫秒级响应，是构建自动化交易信号系统的可靠基础模块。
