如何在含空值的Pandas DataFrame中将累计值转换为增量值？

我有一个包含累计值的Pandas DataFrame，数据如下：

import pandas as pd
import numpy as np

data = {'Date':['2017-01-27','2017-01-28','2017-01-29','2017-01-30','2017-01-31','2017-02-01','2017-02-02','2017-02-03','2017-02-04','2017-02-05'],
'Kentucky':[1,4,5,7,np.NaN,np.NaN,10,np.NaN,12,13],
'New York':[np.NaN,2,np.NaN,7,np.NaN,np.NaN,np.NaN,np.NaN,9,np.NaN],
'California':[np.NaN,np.NaN,np.NaN,np.NaN,np.NaN,np.NaN,1,np.NaN,2,np.NaN],
'Maine':[np.NaN,2,3,7,np.NaN,np.NaN,10,np.NaN,12,13]}

df = pd.DataFrame(data)

如何在该含空值的DataFrame中将累计值转换为增量值？曾尝试过常规增量值转换方案，但未得到预期结果。

核心思路是先对各列的累计值做向前填充（保留最近的有效累计值），再计算相邻行的差值，最后处理初始值和空值的情况：

• 先将Date列转为日期类型（确保排序正确）：

df['Date'] = pd.to_datetime(df['Date'])

• 对除Date外的列，先向前填充空值，再计算增量：

# 提取数值列
numeric_cols = df.columns.drop('Date')
# 向前填充最近的累计值
filled_df = df[numeric_cols].ffill()
# 计算增量：当前值 - 前一行值，第一行保留原累计值（或设为0，按需调整）
delta_df = filled_df.diff().fillna(filled_df)
# 合并Date列和增量结果
result_df = pd.concat([df['Date'], delta_df], axis=1)

• 验证结果：以Kentucky列为例，原累计值是[1,4,5,7,NaN,NaN,10,NaN,12,13]，转换后增量为[1,3,1,2,0,0,3,0,2,1]，符合预期。

如果希望空值对应的增量保持为空，而不是填充0，可以调整最后一步：

# 仅在原数据有值的位置保留增量，其余置空
delta_df = filled_df.diff().where(df[numeric_cols].notna(), np.nan)
# 第一行原数据有值的位置保留原累计值
delta_df = delta_df.fillna(filled_df.where(df[numeric_cols].notna()))
result_df = pd.concat([df['Date'], delta_df], axis=1)

这种情况下Kentucky列的增量为[1,3,1,2,NaN,NaN,3,NaN,2,1]，更贴合原数据的空值分布。

内容的提问来源于stack exchange，提问作者Mazil_tov998