基于条件实现两个不同DataFrame的乘法运算求助

我有两个DataFrame：
df1：

year   rate 
2022   1.000
2023   1.015
2024   1.049
2025   1.084
2026   1.121
2027   1.158
2028   1.197
2029   1.237
2030   1.278
2031   1.321
2032   1.365

df2：

Name   value  code  portion
A       10     1      2
B       12     2      0

需要生成包含各年份计算列的结果，规则如下：

• 当code为1时，年份值 = rate*(value-portion)+portion
• 当code为2时，年份值保持value不变

预期结果：

Name   value  code  portion       2022              2023           .....     2032
A       10     1      2       1.000*(10-2)+2     1.015*(10-2)+2           1.365*(10-2)+2 
B       12     2      0        12                     12                    12
C       20     1      6       1.000*(20-6)+6     1.015*(20-6)+6           1.365*(20-6)+6
D       8      2      0        8                     8                       8                       

之前尝试的代码未成功：

df_multiply=df2['value'].apply(lambda x: x * df1['rate'])

可以利用Pandas的广播运算结合条件判断实现，步骤如下：

1. 转换df1的格式，让年份成为列名，便于后续批量计算：

rate_df = df1.set_index('year').T

2. 分别计算两种code规则下的结果：
   • 对于code=1的行，按公式rate*(value-portion)+portion计算，通过广播实现每行与所有年份rate的运算
   • 对于code=2的行，直接将value值重复对应年份的次数

import numpy as np

# 计算code=1的结果
code1_result = rate_df * (df2['value'] - df2['portion']).values.reshape(-1,1) + df2['portion'].values.reshape(-1,1)
# 计算code=2的结果
code2_result = pd.DataFrame([df2['value'].values]*len(rate_df.columns), columns=rate_df.columns, index=df2.index).T

3. 用np.where根据code值合并两种结果，再和原df2拼接得到最终数据：

year_columns = pd.DataFrame(np.where(df2['code'].values.reshape(-1,1)==1, code1_result, code2_result), 
                           columns=rate_df.columns, index=df2.index)
final_df = pd.concat([df2, year_columns], axis=1)

4. 如果需要加入预期结果中的C、D行，直接在df2中新增即可：

new_rows = pd.DataFrame([['C',20,1,6], ['D',8,2,0]], columns=df2.columns)
df2 = pd.concat([df2, new_rows], ignore_index=True)

完整可运行代码：

import pandas as pd
import numpy as np

# 初始化原始数据
df1 = pd.DataFrame({
    'year': [2022,2023,2024,2025,2026,2027,2028,2029,2030,2031,2032],
    'rate': [1.000,1.015,1.049,1.084,1.121,1.158,1.197,1.237,1.278,1.321,1.365]
})

df2 = pd.DataFrame({
    'Name': ['A','B'],
    'value': [10,12],
    'code': [1,2],
    'portion': [2,0]
})

# 新增C、D行
new_rows = pd.DataFrame([['C',20,1,6], ['D',8,2,0]], columns=df2.columns)
df2 = pd.concat([df2, new_rows], ignore_index=True)

# 转换rate格式
rate_df = df1.set_index('year').T

# 计算两类结果
code1_result = rate_df * (df2['value'] - df2['portion']).values.reshape(-1,1) + df2['portion'].values.reshape(-1,1)
code2_result = pd.DataFrame([df2['value'].values]*len(rate_df.columns), columns=rate_df.columns, index=df2.index).T

# 合并条件结果并拼接原数据
year_columns = pd.DataFrame(np.where(df2['code'].values.reshape(-1,1)==1, code1_result, code2_result), 
                           columns=rate_df.columns, index=df2.index)
final_df = pd.concat([df2, year_columns], axis=1)

print(final_df)

内容的提问来源于stack exchange，提问作者sazaki