基于标记DataFrame，用PR对应区间均值填充指定区间行

完整实现代码 #

import pandas as pd
import numpy as np

# 示例输入数据
flag = pd.DataFrame({'col1': [np.nan,np.nan,np.nan,np.nan,np.nan,np.nan,np.nan,np.nan,np.nan,np.nan,np.nan],
                   'col2': [np.nan,1,-1,np.nan,1,np.nan,np.nan,np.nan,np.nan,np.nan,-1],
                   'col3': [np.nan,np.nan,np.nan,1,np.nan,np.nan,np.nan,np.nan,np.nan,np.nan,-1],
                   'col4': [np.nan,np.nan,np.nan,np.nan,np.nan,1,np.nan,-1,np.nan,np.nan,np.nan]
                   })

PR = pd.DataFrame({'col1': [81,81.3,80.7,81.5,81,80.4,80.3,81,79.5,80.7],
                   'col2': [80.9,81.6,81.2,81.7,80.9,79.7,79.3,79.1,79,77.5],
                   'col3': [81.1,81.3,81,81.6,80.8,79.5,79.2,78.8,78.8,77.4],
                   'col4': [80.1,80.6,79.9,80.4,80.4,79.3,79,78.8,78.4,77]
                   })

# 对齐两个DataFrame的行数（示例中flag多一行，去除冗余行）
flag = flag.iloc[:-1].reset_index(drop=True)

# 初始化结果DataFrame，与PR同形状，默认填充NaN
result = pd.DataFrame(np.nan, index=PR.index, columns=PR.columns)

# 逐列处理标记区间
for col in flag.columns:
    flag_col = flag[col]
    # 获取所有区间起点（flag=1的索引）和终点（flag=-1的索引）
    start_points = flag_col[flag_col == 1].index
    end_points = flag_col[flag_col == -1].index
    
    # 按顺序配对起点与终点，处理每个区间
    for start, end in zip(start_points, end_points):
        # 计算PR对应区间的均值，保留两位小数
        interval_avg = PR[col].loc[start:end].mean().round(2)
        # 将均值填充到结果的对应区间
        result[col].loc[start:end] = interval_avg

# 打印结果
print(result)

步骤说明 #

1. 数据对齐：示例中flag比PR多一行冗余数据，通过iloc[:-1]去除，确保两个DataFrame结构一致。
2. 结果初始化：创建与PR行列数完全相同的空DataFrame，初始值设为NaN。
3. 区间处理：
   • 对每一列单独提取标记值，筛选出区间的起点（值为1）和终点（值为-1）的索引。
   • 按顺序配对起点和终点，计算PR对应区间内的均值。
   • 将计算得到的均值填充到结果DataFrame的对应区间位置。

输出验证 #

运行代码后将得到符合预期的输出：

col1   col2   col3   col4
0   NaN    NaN    NaN    NaN
1   NaN  81.40    NaN    NaN
2   NaN  81.40    NaN    NaN
3   NaN    NaN  79.44    NaN
4   NaN  79.25  79.44    NaN
5   NaN  79.25  79.44  79.03
6   NaN  79.25  79.44  79.03
7   NaN  79.25  79.44  79.03
8   NaN  79.25  79.44    NaN
9   NaN  79.25  79.44    NaN

内容的提问来源于stack exchange，提问作者Pedro de Sá