如何不使用for loop按类别连续更新DataFrame的Constant列？

我有一个如下所示的DataFrame：

我需要按Category分组，对每组的Constant列进行迭代更新：每组第一个值为初始Constant减去对应Number，后续每个值为前一行更新后的Constant减去当前行的Number，最终得到如下结果：

请问是否可以不使用for loop实现该需求？

完全可以不用for loop实现，利用Pandas的分组和累计求和功能就能高效完成：

核心思路：对于每个分组，更新后的Constant等于分组初始Constant值减去当前行及之前所有Number的累计和。

具体代码实现如下：

import pandas as pd

# 构造示例DataFrame
df = pd.DataFrame({
    'Category': ['One', 'One', 'One', 'Two', 'Two', 'Two'],
    'Number': [141.2, 57.4, 51.3, 24.69, 12.72, 10.37],
    'Constant': [271.01, 271.01, 271.01, 27.29, 27.29, 27.29]
})

# 按Category分组计算并更新Constant列
df['Constant'] = df.groupby('Category').apply(
    lambda x: x['Constant'].iloc[0] - x['Number'].cumsum()
).reset_index(level=0, drop=True)

print(df)

代码说明 #

• groupby('Category')：按类别拆分数据，单独处理每组内容
• x['Constant'].iloc[0]：提取每组的初始Constant值（每组所有行初始值一致，取第一行即可）
• x['Number'].cumsum()：计算每组内Number列的累计求和，等价于逐行累加前面所有Number的值
• 用初始Constant减去累计和，直接得到迭代更新后的结果，最后通过reset_index去除分组索引，合并回原DataFrame

这种方法依托Pandas的向量化操作，比for loop效率更高，尤其适合处理大规模数据集，运行结果与预期完全一致。

内容的提问来源于stack exchange，提问作者peho15ae