要实现你想要的效果，我们可以分步骤精准完成：先计算每个日期分组的C、D值，再将这些值填充到原DataFrame对应日期组的第一行中，具体代码和解释如下：

import pandas as pd

# 定义自定义计算函数
def custFun(x):
    d = {}
    d['C'] = (x['A'] * x['B']).sum() / x['B'].sum()
    d['D'] = (x['B'] / x['A']).sum() / len(x)
    return pd.Series(d)

# 你的原始DataFrame
df = pd.DataFrame({
    'timestamp': ['2021-05-14 15:25:00', '2021-05-14 15:26:00', 
                  '2021-05-15 15:27:00', '2021-05-15 15:28:00', '2021-05-15 15:29:00'],
    'A': [1.70, 1.55, 1.10, 1.20, 1.50],
    'B': [1, 3, 4, 2, 2]
})
# 确保timestamp是datetime类型（如果原始数据不是的话）
df['timestamp'] = pd.to_datetime(df['timestamp'])

# 步骤1：新增日期列，简化分组匹配逻辑
df['date'] = df['timestamp'].dt.date

# 步骤2：按日期分组计算C、D值，重置索引方便后续赋值
grouped_results = df.groupby('date').apply(custFun).reset_index()

# 步骤3：提取每个日期组第一行的索引位置
first_row_indices = df.groupby('date').head(1).index

# 步骤4：将计算结果填充到对应位置，保留两位小数和示例格式一致
df.loc[first_row_indices, 'C'] = grouped_results['C'].round(2).values
df.loc[first_row_indices, 'D'] = grouped_results['D'].round(2).values

# 可选：删除临时的date列
df = df.drop('date', axis=1)

print(df)

代码细节解释 #

• 新增date列是为了避免直接操作timestamp的复杂逻辑，让分组匹配更直观；
• groupby('date').apply(custFun)会按日期批量计算每个组的C、D值，reset_index()把日期从索引转为普通列，方便后续精准赋值；
• df.groupby('date').head(1).index精准定位每个日期组的第一行，这就是我们要填充C、D值的目标位置；
• 最后用df.loc[]完成赋值，并用round(2)处理小数位数，和你期望的示例格式对齐。

运行后得到的结果和你要求的完全一致：

timestamp     A  B     C     D
0 2021-05-14 15:25:00  1.70  1  1.58  1.26
1 2021-05-14 15:26:00  1.55  3   NaN   NaN
2 2021-05-15 15:27:00  1.10  4  1.22  2.21
3 2021-05-15 15:28:00  1.20  2   NaN   NaN
4 2021-05-15 15:29:00  1.50  2   NaN   NaN

（注：pandas中空值显示为NaN，如果需要完全显示空白，可以追加df.fillna('', inplace=True)处理）

另外补充你提到的transform替代方案：

# 用transform的实现方式
df['date'] = df['timestamp'].dt.date
# 先给所有行填充分组的C、D值
df['C'] = df.groupby('date').transform(custFun)['C']
df['D'] = df.groupby('date').transform(custFun)['D']
# 清空非第一行的C、D值
mask = ~df.index.isin(df.groupby('date').head(1).index)
df.loc[mask, ['C', 'D']] = pd.NA
df = df.drop('date', axis=1)

不过这个方法会重复调用两次custFun，数据量大时效率不如第一种方案，因此更推荐第一种实现方式。

内容的提问来源于stack exchange，提问作者Dr.PB