如何简化Pandas中多次GroupBy+Apply生成多列的重复代码？

你可以通过循环遍历偏移参数或者**字典推导结合assign()**来大幅减少重复代码，同时保持逻辑清晰，还能避免原代码中.values可能带来的索引对齐风险：

方法1：循环处理（直观易读） #

把偏移量和对应的列名整理成列表，循环执行分组计算：

# 定义偏移量与目标列名的对应关系
offset_col_pairs = [(1, "1d"), (5, "5d"), (30, "30d")]

for offset, col_name in offset_col_pairs:
    df[col_name] = df.groupby(cols)["ln"].transform(lambda x: x - x.shift(offset))

这里用transform替代apply，无需额外取.values，Pandas会自动帮你对齐索引，比原写法更安全。

方法2：字典推导+assign()（一行搞定） #

利用字典推导生成所有新列的计算逻辑，再通过assign()一次性添加到DataFrame：

df = df.assign(**{
    f"{n}d": df.groupby(cols)["ln"].transform(lambda x: x - x.shift(n)) 
    for n in [1, 5, 30]
})

这种写法更紧凑，适合需要快速生成多列的场景，同时保持代码的可读性。

补充说明 #

原代码中的.apply()+.values其实可以替换为.transform()，因为transform会返回与原DataFrame同长度、同索引的结果，直接赋值即可，不用手动处理索引对齐问题，代码更健壮。

内容的提问来源于stack exchange，提问作者Whitebeard13