def myself_kdj(df,N=9,M1=3,M2=3): low_list = df['low'].rolling(N).min() low_list.fillna(value=df['low'].expanding().min(), inplace=True) high_list = df['high'].rolling(N).max() high_list.fillna(value = df['high'].expanding().max(), inplace=True) rsv = (df['close'] - low_list) / (high_list - low_list) * 100 df['k'] = pd.DataFrame(rsv).ewm(M1-1).mean() df['d'] = df['k'].ewm(M2-1).mean() df['j'] = 3 * df['k'] - 2 * df['d'] return df

这是一个自定义的KDJ指标计算函数`myself_kdj`，它使用了rolling、expanding和ewm函数来计算KDJ指标。函数接受一个包含股票数据的DataFrame作为输入，并返回包含KDJ指标的DataFrame。

函数的参数说明如下：
- `df`：包含股票数据的DataFrame，需要包含'high'、'low'和'close'列。
- `N`：KDJ指标的周期参数，默认为9。
- `M1`：K值的平滑参数，默认为3。
- `M2`：D值的平滑参数，默认为3。

以下是使用这个自定义函数计算KDJ指标的示例代码：

import pandas as pd

# 假设你有一个包含股票数据的DataFrame，其中包含'high'、'low'和'close'列
data = pd.read_csv('stock_data.csv')

# 使用自定义函数计算KDJ指标
data = myself_kdj(data, N=9, M1=3, M2=3)

print(data)

请根据实际情况修改代码，适应你的数据格式和需求。需要注意的是，这只是一个简单的KDJ指标计算示例，你可能还需要考虑其他因素，如参数调优和数据预处理等。