Pandas查找DataFrame缺失值 取最近邻值循环执行减法运算

针对两个数值索引的DataFrame flat、bias的差集计算需求（bias存在索引缺失，缺失值取双向最近邻有效索引对应值），不需要手写逐层偏移的循环逻辑，直接用pandas原生的重索引+最近邻填充即可实现，性能远高于自定义循环，逻辑完全匹配查找规则。

查找规则对应原生实现的匹配性：对每个bias缺失的索引，从偏移±1开始同步向外检索的逻辑，和pandas基于排序索引的最近邻插值逻辑完全一致，不需要额外编写遍历判断代码。

import pandas as pd

# 前置校验：确保两个DataFrame的索引为整数类型，避免字符串索引导致排序/匹配错误
flat.index = flat.index.astype("int64")
bias.index = bias.index.astype("int64")

# 将bias对齐到flat的全量索引，bias中不存在的索引位置自动填充为NaN
bias_aligned = bias.reindex(index=flat.index)

# 按最近邻规则填充缺失值：双向查找距离当前索引最近的有效bias值
# 完全匹配「从偏移1开始同时检查正负方向，找到第一个有效值即停止」的规则
bias_completed = bias_aligned.interpolate(method="nearest", limit_direction="both")

# 全量计算flat减bias的结果，包含原有共通索引和补全的缺失索引部分
calc_result = flat - bias_completed

• 若遇到缺失索引左右两侧同偏移距离都存在有效值的场景（例如缺失索引2459654，2459653和2459655同时存在），上述方法默认取索引值更小的一侧结果；如果需要调整优先级，可以在填充后针对这类等距场景单独做值替换。
• 边界位置（即flat的索引小于bias最小有效索引、或大于bias最大有效索引的位置）会自动取距离最近的边界有效值填充，不会残留空值。
• 如果已经提前计算完共通索引部分的结果，也可以只提取bias缺失的索引子集单独做上述填充计算，再和已有结果拼接，全量计算的写法代码更简洁，索引对齐出错概率更低。

内容的提问来源于stack exchange，提问作者Pritam Das