Pandas DataFrame新增ot列赋值打印报KeyError如何解决

触发KeyError的核心原因是ot列在访问时还未在DataFrame中创建：Pandas不会在对不存在列的索引位置做赋值时自动新建列，直接访问不存在的列名必然抛出KeyError。
额外说明：就算提前创建了ot列，代码里df['ot'].iloc[i] = xxx的写法属于链式索引赋值，是Pandas官方明确不推荐的用法，大概率触发SettingWithCopyWarning，且赋值操作可能不会实际写入原DataFrame，结果不可控。另外逐行写for循环计算列值的写法性能极差，数据量较大时运行速度会比Pandas原生向量化计算慢几个数量级。

优先使用Pandas原生向量化运算实现，不需要写循环，代码简洁、运行效率高、无索引副作用：

# shift(-1)可直接取到每一行下一行的Open值，和原有计算逻辑完全一致
df['ot'] = (df['Open'] - df['Open'].shift(-1)) / df['Open'].shift(-1)

# 最后一行无对应下一行数据，计算结果为NaN，不需要可直接删除
# df = df.dropna(subset=['ot'])

print(df['ot'])

如果有特殊场景必须用循环实现（非常不推荐），需要先初始化ot列，同时用loc做单步索引赋值，避免链式索引问题：

import numpy as np
# 先初始化和DataFrame长度一致的ot列，填充空值
df['ot'] = np.nan

for i in range(len(df)-1):
    # 用loc同时定位行索引和列名，单步索引赋值不存在链式操作问题
    df.loc[i, 'ot'] = (df.loc[i, 'Open'] - df.loc[i+1, 'Open']) / df.loc[i+1, 'Open']

print(df['ot'])

日常使用Pandas做列计算时，优先用内置向量化方法，仅当逻辑无法向量化时再考虑apply，尽量避免写原生Python for循环逐行操作，二者的性能差距会随数据量增长急剧拉大。

内容的提问来源于stack exchange，提问作者plkj