如何无循环实现Pandas DataFrame列间递推式计算？

问题核心 #

你需要对DataFrame的B、C两列执行逐行递推计算：从第1行开始，每行的B依赖上一行更新后的C值，计算完当前行B后，再用它计算当前行的C；同时要求不能使用for循环。直接批量赋值的方式会一次性计算所有B再更新C，无法实现逐行依赖的逻辑。

解决方案：推导递推公式+向量化计算 #

先通过数学推导简化依赖关系，把循环逻辑转化为Pandas擅长的向量化操作：

1. 推导递推公式 #

已知你的计算规则（索引从0开始，第i行（i≥1）依赖第i-1行的C）：

• 第i行B：B[i] = C[i-1] / A[i]
• 第i行C：C[i] = A[i] * B[i] + A[i]

把B[i]代入C[i]的公式，可简化为：
C[i] = A[i]*(C[i-1]/A[i] + 1) = C[i-1] + A[i]

也就是说，C的递推本质是从初始C值开始累加A列的后续值，这完全可以用向量化的累积计算实现。

2. 代码实现步骤 #

import pandas as pd

# 初始化DataFrame
d = {'A':[1,2,3,4,5], 'B':[2,2,2,2,2], 'C':[3,3,3,3,3]}
data = pd.DataFrame(data=d)

# 第一步：处理第0行的初始更新
data.loc[0, 'B'] = data.loc[0, 'C'] / data.loc[0, 'A']
data.loc[0, 'C'] = data.loc[0, 'A'] * data.loc[0, 'B'] + data.loc[0, 'A']

# 第二步：向量化计算后续行
# 计算第1行及以后的C值：初始C[0] + A[1:]的累积和
cum_A = data['A'].iloc[1:].cumsum()
data.loc[1:, 'C'] = data.loc[0, 'C'] + cum_A

# 计算第1行及以后的B值：前一行的C除以当前行的A
data.loc[1:, 'B'] = data['C'].shift(1).iloc[1:] / data['A'].iloc[1:]

3. 最终结果 #

运行后得到的DataFrame完全符合你的逐行递推期望：

A     B     C
0  1  3.00   4.0
1  2  2.00   6.0
2  3  2.00   9.0
3  4  2.25  13.0
4  5  2.60  18.0

方法优势 #

通过数学推导把循环依赖转化为可向量化的累积操作，既避免了for循环的性能问题，又严格遵循了逐行依赖的计算逻辑，完全利用Pandas的内置高效操作实现需求。

内容的提问来源于stack exchange，提问作者Francesco Battisti