如何基于Pandas多级索引DataFrame按10%环比递推计算sc1/p1的qty值？

假设你的多级索引DataFrame已经构造完成，以下两种方法可以实现需求：

方法一：循环赋值（逻辑直观，适合新手） #

先定位目标组，然后逐个计算每个季度的qty值并赋值，每一步都基于前一个季度的值乘以1.1：

import pandas as pd

# 先构造示例DataFrame（如果已有可直接跳过这部分）
sc_list = ['sc1', 'sc2']
p_list = ['p1', 'p2']
yr_list = ['yr1', 'yr2', 'yr3']
q_list = ['q1', 'q2', 'q3', 'q4']

multi_index = pd.MultiIndex.from_product(
    [sc_list, p_list, yr_list, q_list],
    names=['sc', 'p', 'yr', 'q']
)
df = pd.DataFrame({'qty': 0.0}, index=multi_index)

# 设置初始值：sc1/p1/yr1/q1的qty为10
df.loc[('sc1', 'p1', 'yr1', 'q1'), 'qty'] = 10

# 定位sc1/p1组下需要填充的所有季度（yr1/q2到yr3/q4）
target_group = ('sc1', 'p1')
group_indices = df.xs(target_group, level=['sc', 'p']).index
# 取q1之后的所有索引（假设索引已按yr/q排序）
fill_indices = group_indices[1:]

# 循环计算并赋值
current_qty = df.loc[target_group + ('yr1', 'q1'), 'qty']
for yr_q in fill_indices:
    current_qty *= 1.1
    df.loc[target_group + yr_q, 'qty'] = current_qty

# 查看结果
print(df.loc[target_group])

方法二：向量化操作（高效处理大数据） #

用numpy的向量化计算直接生成整个增长序列，避免循环，适合数据量较大的场景：

import pandas as pd
import numpy as np

# 构造/加载你的DataFrame（同方法一）
# ...

target_group = ('sc1', 'p1')
# 取出目标组数据并确保按年份、季度排序
group_df = df.xs(target_group, level=['sc', 'p']).sort_index()

# 获取初始值，生成复利增长序列
initial_val = group_df['qty'].iloc[0]
# 生成每个位置的增长幂次：第1个值对应0次幂（初始值），第2个对应1次幂，以此类推
power = np.arange(len(group_df))
growth_vals = initial_val * (1.1 ** power)

# 将计算结果赋值回原DataFrame
df.loc[target_group] = growth_vals.values.reshape(-1, 1)

# 查看结果
print(df.loc[target_group])

注意事项 #

• 如果你的多级索引结构不同（比如yr/q是外层索引），只需调整xs方法的level参数和索引定位逻辑即可，核心的复利计算逻辑不变。
• 若需要限制小数位数，可以在计算时加入round函数，比如current_qty = round(current_qty * 1.1, 2)或者growth_vals = np.round(initial_val * (1.1 ** power), 2)。

内容的提问来源于stack exchange，提问作者ams1