如何为DataFrame逐行计算值？DAX转Python遇结果一致问题

原DAX代码的核心逻辑是：对每一行数据，按Item_Number分组，计算该行Casting_Date往前推365天到该行日期前一天的Inclusion总和与Closed总和的比值。

你的Python代码出现每行结果相同的原因是：_item_number和_start_date都是Series类型，直接用df2['Item_Number'] == _item_number会触发广播机制，最终筛选出的是整个数据集里所有满足对应行条件的记录，求和后得到一个标量值并赋值给整列，导致所有行结果一致。

以下是三种可行的解决方向：

方法1：使用apply逐行计算（直观易理解） #

对DataFrame的每一行单独执行计算逻辑，适合数据量不大的场景：

import pandas as pd

def calculate_scrap_rate(row, df):
    # 获取当前行的Item和日期范围
    item = row['Item_Number']
    end_date = row['Casting_Date']
    start_date = end_date - pd.DateOffset(days=365)
    
    # 筛选同Item且在日期范围内的记录
    mask = (df['Item_Number'] == item) & \
           (df['Casting_Date'] >= start_date) & \
           (df['Casting_Date'] < end_date)
    
    # 计算总和
    total_inclusions = df.loc[mask, 'Inclusion'].sum()
    total_closed = df.loc[mask, 'Closed'].sum()
    
    # 计算比值，处理除零情况
    return total_inclusions / total_closed if total_closed != 0 else None

# 应用到每一行
df2['expected_inclusion_scrap_rate'] = df2.apply(calculate_scrap_rate, axis=1, df=df2)

方法2：使用分组滚动窗口（高效，适合大数据集） #

利用pandas的groupby结合rolling窗口，先按Item_Number分组，再基于时间窗口计算滚动聚合：

# 先确保Casting_Date是datetime类型
df2['Casting_Date'] = pd.to_datetime(df2['Casting_Date'])

# 按Item_Number分组，设置时间滚动窗口为365天，窗口不包含当前行日期
grouped = df2.groupby('Item_Number').rolling(
    window='365D',
    on='Casting_Date',
    closed='left'  # 对应DAX中<Casting_Date的逻辑
)

# 计算滚动总和
df2['inclusions_group'] = grouped['Inclusion'].sum().reset_index(level=0, drop=True)
df2['closed_group'] = grouped['Closed'].sum().reset_index(level=0, drop=True)

# 计算报废率，处理除零
df2['expected_inclusion_scrap_rate'] = df2['inclusions_group'].div(df2['closed_group']).fillna(None)

方法3：使用merge_asof（高效的时间匹配方式） #

先按Item分组排序，再用merge_asof匹配时间范围内的记录，最后聚合：

# 排序（merge_asof要求左右表都按匹配键排序）
df_sorted = df2.sort_values(['Item_Number', 'Casting_Date'])

# 生成每个行的时间范围
df_sorted['start_date'] = df_sorted['Casting_Date'] - pd.DateOffset(days=365)

# 自连接，匹配同Item且日期在[start_date, Casting_Date)范围内的记录
merged = pd.merge_asof(
    df_sorted,
    df_sorted[['Item_Number', 'Casting_Date', 'Inclusion', 'Closed']],
    by='Item_Number',
    left_on='start_date',
    right_on='Casting_Date',
    direction='forward'
)

# 按原行的索引分组，计算总和
aggregated = merged.groupby(merged.index).agg(
    total_inclusions=('Inclusion_y', 'sum'),
    total_closed=('Closed_y', 'sum')
)

# 合并回原表
df2 = df2.join(aggregated)
df2['expected_inclusion_scrap_rate'] = df2['total_inclusions'].div(df2['total_closed']).fillna(None)

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