如何用Python Pandas实现分组的累计前序最小值计算

核心思路是利用Pandas的分组、排序和累积计算能力，全程避免循环：

1. 转换日期格式：先把Date列转为datetime类型，保证日期排序的准确性。
2. 保留原索引：创建临时列记录原始行顺序，后续用来恢复结果的初始排列。
3. 分组计算并偏移结果：按Name和Subj分组，每个分组内按日期升序排序，计算Score的累积最小值（cummin()），再通过shift(1)将结果上移一行——这样当前行的结果就是该分组内所有早于当前日期的Score最小值。
4. 恢复原顺序并格式化：按临时索引列排序，删掉临时列，最后将结果保留两位小数匹配示例格式。

完整代码如下：

import pandas as pd

# 加载数据集
df = pd.DataFrame({
 'Name': ['A','A','A','A','A','A','A','A','B','B','B','B','B'],
 'Date': ['2022-05-11','2022-03-20','2022-02-23','2022-01-26','2022-01-05','2021-12-08','2021-11-17','2021-11-10','2022-05-07','2022-04-24','2022-03-20','2022-02-27','2022-02-03'],
 'Subj': [1200,1200,1200,1200,1200,1200,1000,1200,1600,1600,2000,1800,1400],
 'Score': [70.88,69.96,69.6,69.63,70.35,70.22,56.73,70.69,96.16,94.53,124.6,109.16,82.54]})

# 转换日期列类型
df['Date'] = pd.to_datetime(df['Date'])

# 保存原索引，用于恢复顺序
df['original_index'] = df.index

# 分组计算Desired_Output
df['Desired_Output'] = df.groupby(['Name', 'Subj']).apply(
    lambda x: x.sort_values('Date')['Score'].cummin().shift(1)
).reset_index(drop=True)

# 恢复原顺序并清理临时列
df = df.sort_values('original_index').drop('original_index', axis=1)

# 保留两位小数，匹配示例格式
df['Desired_Output'] = df['Desired_Output'].round(2)

print(df.to_string(index=False))

运行后得到的结果和你提供的示例完全一致，无更早日期行时Desired_Output会显示为NaN（对应示例中的null）。

内容的提问来源于stack exchange，提问作者Pak Long