Python Pandas-基于先前的行值计算行值，将结果更新为新行值（依此类推） 下面是一些虚拟数据，反映了我正在使用的数据。 df1： df2： 数据帧详细信息：

首先，Loc1将对应于p Change_1，Loc2对应于p Change_2，等等。首先查看Loc1，我想用相关值填充包含Loc1和Loc2的数据框，或者计算包含列Calc1和Calc2的新数据框

计算： 我想从Loc1的1994值开始，通过取Loc1 1993=Loc1 1994+（Loc1 1994*p Change_1 1993）来计算1993年的新值。填入值后，它将为2.5415+（-0.313341*2.5415），约等于1.74514

这个1.74514的值将取代1993年的NaN值，然后我想用这个计算值得到1992年的值。这意味着我们现在计算Loc1 1992=Loc1 1993+（Loc1 1993*P变化_1 1992）。我希望按行执行此操作，直到它获得时间序列中的最早值

---

实现这一行等式的最佳方式是什么？我希望这是有意义的，任何帮助都是非常感谢的

需要明确的是，您需要的是

Loc1[year]=Loc1[next_year]+PChange[year]*Loc1[next_year]

，对吗？ 下面的循环将执行您正在查找的操作，但它只是假设两个df中的行数始终相等，以此类推（而不是匹配索引中的值）。根据您的描述，我认为这适用于您的数据

for i in range(df2.shape[0]-2,-1,-1):
    df2.Loc1[i]=df2.Loc1[i+1] + (df1.PChange_1[i]*df2.Loc1[i+1])

---

希望这有帮助：）

只是想澄清一下，你需要的是

Loc1[year]=Loc1[next_year]+PChange[year]*Loc1[next_year]

，对吗？ 下面的循环将执行您正在查找的操作，但它只是假设两个df中的行数始终相等，以此类推（而不是匹配索引中的值）。根据您的描述，我认为这适用于您的数据

for i in range(df2.shape[0]-2,-1,-1):
    df2.Loc1[i]=df2.Loc1[i+1] + (df1.PChange_1[i]*df2.Loc1[i+1])

---

希望这能有所帮助：）

[EDITED]也许有更好/更优雅的方法可以做到这一点，但这对我来说效果很好：

def fill_values(df1, df2, cols1=None, cols2=None):
    if cols1 is None: cols1 = df1.columns
    if cols2 is None: cols2 = df2.columns

    for i in reversed(range(df2.shape[0]-1)):
        for col1, col2 in zip(cols1, cols2):
            if np.isnan(df2[col2].iloc[i]):
                val = df2[col2].iloc[i+1] + df2[col2].iloc[i+1] * df1[col1].iloc[i] 
                df2[col2].iloc[i] = val

    return df1, df2

df1, df2 = fill_values(df1, df2)

print(df2)

    Loc1    Loc2
1983-12-31  0.140160    0.136329
1984-12-31  0.169291    0.177413
1985-12-31  0.252212    0.235614
1986-12-31  0.300550    0.261526
1987-12-31  0.554444    0.261457
1988-12-31  0.544976    0.524925
1989-12-31  0.837202    0.935388
1990-12-31  0.809117    0.902741
1991-12-31  1.384158    1.544128
1992-12-31  1.745144    2.631024
1993-12-31  2.541500    3.212600

---

这假设df1和df2中的行完全对应（我不是查询索引，只是查询位置）。希望有帮助

[编辑]也许有更好/更优雅的方法可以做到这一点，但这对我来说效果很好：

def fill_values(df1, df2, cols1=None, cols2=None):
    if cols1 is None: cols1 = df1.columns
    if cols2 is None: cols2 = df2.columns

    for i in reversed(range(df2.shape[0]-1)):
        for col1, col2 in zip(cols1, cols2):
            if np.isnan(df2[col2].iloc[i]):
                val = df2[col2].iloc[i+1] + df2[col2].iloc[i+1] * df1[col1].iloc[i] 
                df2[col2].iloc[i] = val

    return df1, df2

df1, df2 = fill_values(df1, df2)

print(df2)

    Loc1    Loc2
1983-12-31  0.140160    0.136329
1984-12-31  0.169291    0.177413
1985-12-31  0.252212    0.235614
1986-12-31  0.300550    0.261526
1987-12-31  0.554444    0.261457
1988-12-31  0.544976    0.524925
1989-12-31  0.837202    0.935388
1990-12-31  0.809117    0.902741
1991-12-31  1.384158    1.544128
1992-12-31  1.745144    2.631024
1993-12-31  2.541500    3.212600

df = pd.merge(df1, df2, how='inner', right_index=True, left_index=True)   # merging dataframes on date index
df['count'] = range(len(df))    # creating a column, count for easy operation


# divides dataframe in two part, one part above the not NaN row and one below
da1 = df[df['count']<=df.dropna().iloc[0]['count']]  
da2 = df[df['count']>=df.dropna().iloc[0]['count']]


da1.sort_values(by=['count'],ascending=False, inplace=True)
g=[da1,da2]
num_col=len(df1.columns)

for w in range(len(g)):
    list_of_col=[]
    count = 0
    list_of_col=[list() for i in range(len(g[w]))]
    for item, rows in g[w].iterrows():
        n=[]
        if count==0:
            for p in range(1,num_col+1):
                n.append(rows[f'Loc{p}'])
        else:
            for p in range(1,num_col+1):
                n.append(list_of_col[count-1][p-1]+  list_of_col[count-1][p-1]* rows[f'P Change_{p}'])
        list_of_col[count].extend(n)
        count+=1
    tmp=[list() for i in range(num_col)]
    for d_ in range(num_col):
        for x_ in range(len(list_of_col)):
            tmp[d_].append(list_of_col[x_][d_])
    z1=[]
    z1.extend(tmp)
    for i in range(num_col):
        g[w][f'Loc{i+1}']=z1[i]

da1.sort_values(by=['count'] ,inplace=True)
final_df = pd.concat([da1, da2[1:]])

calc_df = pd.DataFrame()
for i in range(num_col):
    calc_df[f'Calc{i+1}']=final_df[f'Loc{i+1}']
print(calc_df)

---

---

这假设df1和df2中的行完全对应（我不是查询索引，只是查询位置）。希望有帮助

在任何情况下，df2中都只存在最后一行和单行的值吗？到目前为止，此数据集就是这种情况。它总是有一个单一的值，但在某些情况下，该值是在1993年或1995年，所以它可能不总是在同一个位置。我想你想要这样的东西，在每种情况下，df2中只显示最后一行的值？到目前为止，这个数据集就是这样。它总是有一个值，但在某些情况下，该值是在1993年或1995年，因此它可能不总是在同一个位置。我认为如果在df2中，如果某个随机行的Loc1和Loc2不是NaN，而不是最后一行，那么您需要这样的代码吗？它可能会出错，你能检查一下吗？是什么让你认为它可能会出错？我测试了一下，它似乎工作得很好。我在中间添加了一些随机值（特别是在索引“1989—12 31”，LoC1），没有错误（它只留下那个值并且正确地计算了其余部分）：-编辑：尝试在我的代码之前（但是在代码之后）添加：DF2.LoC1.ILoc（5）＝3；df2.Loc2.iloc[3]=3.14如果在所讨论的给定数据帧df2中，最后一行的Loc1和Loc2是NaN，那么它能工作吗？您的意思是根本没有任何值？让我查一查。编辑：好的，我明白你的意思了。让我调查一下！如果第一个值为NaN，则会引发错误。我的错误。在操作了有问题的代码之后，我在df2列中做了一些调整，如中所示，之后我运行了您的代码，它给出了错误！如果在df2中，如果某个随机行的Loc1和Loc2不是NaN，而不是最后一行，那么您的代码是否工作？它可能会出错，你能检查一下吗？是什么让你认为它可能会出错？我测试了一下，它似乎工作得很好。我在中间添加了一些随机值（特别是在索引“1989—12 31”，LoC1），没有错误（它只留下那个值并且正确地计算了其余部分）：-编辑：尝试在我的代码之前（但是在代码之后）添加：DF2.LoC1.ILoc（5）＝3；df2.Loc2.iloc[3]=3.14如果在所讨论的给定数据帧df2中，最后一行的Loc1和Loc2是NaN，那么它能工作吗？您的意思是根本没有任何值？让我查一查。编辑：好的，我明白你的意思了。让我调查一下！如果第一个值为NaN，则会引发错误。我的错误。在操作了有问题的代码之后，我在df2列中做了一些调整，如中所示，之后我运行了您的代码，它给出了错误！这是伟大的，工程如何我期望！尽管如此，现在我想知道是否有更方便的方法来处理每个数据帧中的50列数据，而不显式调用列名？有没有一种方法可以预先重新构造我的DataFrame列标题，以预先链接两个DataFrame，然后循环并一次执行一列的行操作？再次感谢您的回复@JeffColdplume如果您想在两个数据帧中都包含50列或更多列，我可以调整代码。这就是您想要的吗？是的，我的真实数据集在每个数据帧中包含大约50列。我的问题中没有提到这一点，这是我的错。我非常乐意就此提出另一个问题，如果这有帮助的话。没有必要，这将是重复。让我试试看，这段代码中的一点改动就可以满足您的需要。@JeffColdplume这是一个数据帧的输出示例，该数据帧包含5列，在df1和df2中具有任意名称，我希望这能满足您的需要。这非常棒，符合我的预期！尽管如此，现在我想知道是否有一种更方便的方法来处理每个数据帧中的50列数据，而无需显式调用co

df = pd.merge(df1, df2, how='inner', right_index=True, left_index=True)   # merging dataframes on date index
df['count'] = range(len(df))    # creating a column, count for easy operation


# divides dataframe in two part, one part above the not NaN row and one below
da1 = df[df['count']<=df.dropna().iloc[0]['count']]  
da2 = df[df['count']>=df.dropna().iloc[0]['count']]


da1.sort_values(by=['count'],ascending=False, inplace=True)
g=[da1,da2]
num_col=len(df1.columns)

for w in range(len(g)):
    list_of_col=[]
    count = 0
    list_of_col=[list() for i in range(len(g[w]))]
    for item, rows in g[w].iterrows():
        n=[]
        if count==0:
            for p in range(1,num_col+1):
                n.append(rows[f'Loc{p}'])
        else:
            for p in range(1,num_col+1):
                n.append(list_of_col[count-1][p-1]+  list_of_col[count-1][p-1]* rows[f'P Change_{p}'])
        list_of_col[count].extend(n)
        count+=1
    tmp=[list() for i in range(num_col)]
    for d_ in range(num_col):
        for x_ in range(len(list_of_col)):
            tmp[d_].append(list_of_col[x_][d_])
    z1=[]
    z1.extend(tmp)
    for i in range(num_col):
        g[w][f'Loc{i+1}']=z1[i]

da1.sort_values(by=['count'] ,inplace=True)
final_df = pd.concat([da1, da2[1:]])

calc_df = pd.DataFrame()
for i in range(num_col):
    calc_df[f'Calc{i+1}']=final_df[f'Loc{i+1}']
print(calc_df)

df1.columns = [f'P Change_{i+1}' for i in range(len(df1.columns))]
df2.columns = [f'Loc{i+1}' for i in range(len(df2.columns))]