如何利用同比变化逆运算填充DataFrame中的NaN值？

步骤1：转换Factor列为数值类型 #

首先需要将Factor列的百分比字符串（如5%）转换为浮点小数（如0.05），方便后续计算：

import pandas as pd

# 假设你的DataFrame已按日期索引加载完成
df['Factor'] = df['Factor'].str.replace('%', '').astype(float) / 100

步骤2：按年份层级填充缺失值 #

缺失值的计算依赖上一年同月的已填充值，可分年份依次处理：

• 2023年缺失值：用2022年同月原始值乘以(1 + 对应月份的Factor)
• 2024年缺失值：用2023年已计算完成的同月值乘以(1 + 对应月份的Factor)

# 填充2023年数据
df.loc['2023-01-31':'2023-12-31', 'Value Col'] = (
    df.loc['2022-01-31':'2022-12-31', 'Value Col'].values 
    * (1 + df.loc['2023-01-31':'2023-12-31', 'Factor'])
)

# 填充2024年数据
df.loc['2024-01-31':'2024-12-31', 'Value Col'] = (
    df.loc['2023-01-31':'2023-12-31', 'Value Col'].values 
    * (1 + df.loc['2024-01-31':'2024-12-31', 'Factor'])
)

通用批量处理方式（适配更多年份） #

如果数据包含更多年份，可通过提取月份分组，利用shift自动获取上一年同月的值，无需手动指定年份范围：

# 提取月份作为分组键
df['month'] = df.index.month

# 按月份分组，递推填充每组内的缺失值
df['Value Col'] = df.groupby('month').apply(
    lambda group: group['Value Col'].fillna(
        group['Value Col'].shift(1) * (1 + group['Factor'])
    )
).reset_index(level=0, drop=True)

# 删除临时生成的month列
df.drop('month', axis=1, inplace=True)

结果验证 #

以你提到的2023-04-30为例，计算后的值为：0.018 * (1 + 0.04) = 0.01872，与预期一致。

内容的提问来源于stack exchange，提问作者EMT