Pandas新建计算列如何按固定间隔切换计算规则并保证性能

直接用numpy向量化运算实现，无Python层面循环，性能远高于for循环和apply方法，百万行级数据也能毫秒级完成计算。
核心逻辑：先按位置匹配每个索引对应的减数，再一次性做数组减法，完全匹配指定循环规则：索引对4取模为0时（即0、4、8……位置）使用第二个减数，其余位置使用原始减数。

完整可运行代码如下：

import pandas as pd
import numpy as np

subtraction_value = 3
subtraction_value_2 = 6
# 补全原代码缺失的右括号
data = pd.DataFrame({"test":[12, 4, 5, 4, 1, 3, 2, 6, 10, 9]})

# 提取反转后的目标列，加.to_numpy()避免pandas索引对齐导致反转失效
reverse_col = data['test'][::-1]
# 生成连续位置序列，避免自定义索引导致规则匹配错误
position = np.arange(len(data))
# 按规则批量生成对应减数数组
sub_arr = np.where(position % 4 == 0, subtraction_value_2, subtraction_value)
# 直接计算得到新列
data['new_column'] = reverse_col - sub_arr

运行后打印data['new_column']即可得到预期输出：

0    6
1    1
2    2
3    1
4   -5
5    0
6   -1
7    3
8    4
9    6
Name: new_column, dtype: int64

注意：pandas中直接对Series用[::-1]会保留原索引，直接运算时会按索引对齐导致值不反转，如果需要真正按顺序反转值，请将反转代码改为data['test'].to_numpy()[::-1]取到底层numpy数组再反转，不会出现索引对齐问题。

如果后续需要调整减数规则，比如增加更多档位的减数，可以替换np.where为np.select做多条件匹配，依然保持向量化运算的高性能。

内容的提问来源于stack exchange，提问作者Murray Ross