如何在Pandas中逐步生成两个互相依赖的递推列？

针对你需要生成互相依赖的b、c列的需求，确实可以用Pandas原生方法实现，不需要手动循环。首先明确你的递推规则：

• 第一行的b、c基于默认值1计算：b = a + 2*default，c = a + default
• 从第二行开始，每行的b、c依赖前一行的a、b、c：
  • b = 上一行a + 2*上一行c
  • c = 上一行a + 上一行b

方法1：使用expanding().apply()（纯Pandas原生） #

这个方法利用Pandas的扩展窗口（expanding window）来传递每一步的状态，窗口从第一行逐步扩大到当前行，每一步计算依赖窗口内的前一行数据：

import pandas as pd

# 初始化DataFrame
df = pd.DataFrame({'a': [1,2,3,4]})
default = 1

def compute_bc(window):
    if len(window) == 1:
        # 处理第一行，用默认值
        b_val = window['a'].iloc[0] + 2 * default
        c_val = window['a'].iloc[0] + default
        return pd.Series([b_val, c_val], index=['b', 'c'])
    else:
        # 提取前一行的a、b、c值
        prev_a = window['a'].iloc[-2]
        prev_b = window['b'].iloc[-2]
        prev_c = window['c'].iloc[-2]
        # 计算当前行的b、c
        curr_b = prev_a + 2 * prev_c
        curr_c = prev_a + prev_b
        return pd.Series([curr_b, curr_c], index=['b', 'c'])

# 应用扩展窗口计算
df[['b', 'c']] = df.expanding().apply(compute_bc, raw=False)

运行后得到的结果完全符合你的期望：

a   b   c
0  1   3   2
1  2   5   4
2  3  10   7
3  4  17  13

方法2：结合itertools.accumulate（高效简洁） #

如果追求更高的计算效率，可以用itertools.accumulate来处理递推逻辑，它会自动把每一步的输出作为下一步的输入，再结合Pandas赋值：

import pandas as pd
import itertools

df = pd.DataFrame({'a': [1,2,3,4]})
default = 1

# 初始化第一行的b、c
df.loc[0, 'b'] = df.loc[0, 'a'] + 2 * default
df.loc[0, 'c'] = df.loc[0, 'a'] + default

# 定义递推步骤：接收前一行的(a, b, c)和当前行的a，返回当前行的(a, b, c)
def recursive_step(prev_vals, curr_a):
    prev_a, prev_b, prev_c = prev_vals
    curr_b = prev_a + 2 * prev_c
    curr_c = prev_a + prev_b
    return (curr_a, curr_b, curr_c)

# 从第二行开始累积计算
initial_state = (df.loc[0, 'a'], df.loc[0, 'b'], df.loc[0, 'c'])
results = list(itertools.accumulate(df['a'][1:], recursive_step, initial=initial_state))

# 把结果赋值回DataFrame
for idx, (a_val, b_val, c_val) in enumerate(results, start=1):
    df.loc[idx, 'b'] = b_val
    df.loc[idx, 'c'] = c_val

为什么不推荐rolling方法？ #

rolling()是针对固定大小窗口的聚合计算（比如滚动均值、滚动求和），而你的场景需要的是状态持续传递的递推——每一步的结果都依赖上一步的输出，窗口是不断扩大的，因此expanding()更匹配你的需求。

内容的提问来源于stack exchange，提问作者Gulzar