Pandas计算新列时如何基于重赋值后的上一行值逐行比较

原有实现基于原始A列做shift()取值，所有计算逻辑都引用未修改的原始列值，不会复用前序行更新后的计算结果，因此索引为2的行对比的是原始A列上一行的19，而非上一行更新后的值16，导致结果不符合预期。
你描述的赋值规则本质是计算序列从开头到当前位置的累计最小值，优先使用pandas内置向量化方法实现，性能远高于逐行循环。

方法1：内置累计最小值函数（推荐，性能最优） #

直接调用cummin()方法即可实现需求，代码简洁且运行效率最高：

import pandas as pd
import numpy as np
d={'A':[16,19,18,15,13,16]}
df = pd.DataFrame(d)
# 若需要和示例输出一致的float类型，可在cummin()后加.astype(float)
df['A_changed'] = df['A'].cummin()
print(df)

运行输出完全匹配预期结果：

A  A_changed
0  16         16
1  19         16
2  18         16
3  15         15
4  13         13
5  16         13

方法2：逐行迭代赋值（适配复杂逻辑场景） #

如果后续判断逻辑更复杂，无法直接用内置累计函数实现，可以逐行遍历，每次引用上一行已更新的值做判断：

import pandas as pd
import numpy as np
d={'A':[16,19,18,15,13,16]}
df = pd.DataFrame(d)
# 初始化结果列，首行值和原列首行一致
df['A_changed'] = df['A']
# 从第二行（索引1）开始遍历
for i in range(1, len(df)):
    prev_updated = df.loc[i-1, 'A_changed']
    curr_origin = df.loc[i, 'A']
    if curr_origin > prev_updated:
        df.loc[i, 'A_changed'] = prev_updated
print(df)

注意：逐行迭代在数据量较大（十万行以上）时性能明显弱于内置向量化方法，无特殊需求优先选方法1。

内容的提问来源于stack exchange，提问作者junyu