pandas如何遍历DataFrame匹配列同值并合并计算结果回原表

你遇到的合并问题本质是groupby返回结果的索引和原表索引不对齐，只要保证分组计算过程不破坏行索引映射，直接赋值就能把结果写入原表，不需要额外做merge拼接，完整实现步骤如下：

• 第一步：预处理日期列，保证日期比较逻辑正确
  原始数据里的date是字符串格式，必须先转成pandas的datetime类型，否则字符串比较会出现日期大小判断错误的问题。
• 第二步：分组前先排序，保证同组记录按日期升序排列
  按分组列A+日期列date排序，确保同取值的记录按时间从早到晚排列，从根源满足「后一条记录日期晚于前一条」的要求。
• 第三步：分组计算差值，直接赋值给新列
  用groupby()+shift()（或者直接用diff()做相邻行差值）得到的计算结果和排序后的DataFrame行数完全一致、索引一一对应，直接赋值给新列C即可，不需要额外合并。
• 第四步：日期合法性校验
  对存在前序同值记录的行，判断当前日期是否晚于前序记录日期，不满足条件的行C列置空即可。

完整可运行代码：

import pandas as pd

# 加载示例数据
df = pd.DataFrame({
    'date': ['01-01-2022', '01-02-2022', '01-02-2022', '01-05-2022', '01-10-2022'],
    'A': ['k1', 'c1', 'e1', 'k1', 'c1'],
    'B': [1, 5, 4, 9, 9]
})

# 日期格式转换
df['date'] = pd.to_datetime(df['date'], format='%m-%d-%Y')

# 按分组列+日期排序，重置索引保证索引连续
df = df.sort_values(by=['A', 'date']).reset_index(drop=True)

# 计算同组相邻记录的B列差值
df['C'] = df.groupby('A')['B'].diff(1)

# 日期校验：如果当前行日期不晚于同组前一条记录，C列置空
prev_date = df.groupby('A')['date'].shift(1)
df.loc[~(df['date'] > prev_date), 'C'] = None

运行后得到的结果完全符合需求：

注意：如果之前用groupby().agg()做聚合得到了缩减行数的结果表，再要合并回原表才需要用pd.merge()，按分组列+排序后的行序号做关联即可，但这种场景下直接用不改变行数的分组转换函数（shift/diff/cumsum等）效率更高，也省掉了合并的步骤。

内容的提问来源于stack exchange，提问作者Val