基于另一DataFrame生成递增分配值的新列技术实现求助

嘿，这个需求用 pandas 其实很好实现，我给你拆解成具体步骤和代码示例，你可以根据自己的实际需求调整细节：

核心思路 #

1. 先把 df1 和 df2 按 F_Date 合并，让 df1 的每一行都能拿到对应 F_Date 的 Value；
2. 按 F_Date 分组，针对每个组的记录数，生成符合要求的递增序列，赋值给新增的 value_1 列。

具体代码示例 #

第一步：准备模拟数据（你可以替换成自己的真实数据） #

import pandas as pd
import numpy as np

# 模拟你的df1：每个F_Date对应多条B_Date
df1 = pd.DataFrame({
    'F_Date': ['01/09/2019']*51 + ['02/09/2019']*20,
    'B_Date': pd.date_range('2019-09-01', periods=71)
})

# 模拟你的df2：每个F_Date对应唯一Value
df2 = pd.DataFrame({
    'F_Date': ['01/09/2019', '02/09/2019'],
    'Value': [3000, 1500]
})

第二步：合并两个DataFrame #

把 df2 里的 Value 匹配到 df1 对应的 F_Date 行：

df_merged = pd.merge(df1, df2, on='F_Date', how='left')

第三步：生成递增序列（三种常见方式可选） #

根据你对“递增”的具体要求，这里提供三种常用实现：

方式1：线性递增到目标Value（最后一条等于df2的Value）

适合想要序列从0开始，最终到达 Value 的场景：

def linear_increase(group):
    record_count = len(group)
    target_value = group['Value'].iloc[0]
    # 生成从0到target_value的线性序列，共record_count个值
    return pd.Series(np.linspace(0, target_value, num=record_count), index=group.index)

# 应用到每个F_Date分组
df_merged['value_1'] = df_merged.groupby('F_Date').apply(linear_increase).reset_index(drop=True)

方式2：固定步长递增（总增量等于Value）

适合想要起始值自定义，每条按固定步长增加，最后一条比第一条多 Value 的场景：

def step_increase(group):
    record_count = len(group)
    total_increment = group['Value'].iloc[0]
    start_value = 100  # 你可以改成自己需要的起始值
    if record_count == 1:
        step = 0
    else:
        step = total_increment / (record_count - 1)
    # 生成起始值+步长*序号的序列
    return pd.Series([start_value + i*step for i in range(record_count)], index=group.index)

df_merged['value_1'] = df_merged.groupby('F_Date').apply(step_increase).reset_index(drop=True)

方式3：等比递增（增长速度越来越快）

适合需要数值增长幅度逐渐变大的场景：

def geometric_increase(group):
    record_count = len(group)
    target_value = group['Value'].iloc[0]
    # 生成从1到target_value的等比序列，共record_count个值
    return pd.Series(np.geomspace(1, target_value, num=record_count), index=group.index)

df_merged['value_1'] = df_merged.groupby('F_Date').apply(geometric_increase).reset_index(drop=True)

额外提示 #

因为你提到 df1 已经按 F_Date 排序了，所以分组后的序列顺序就是原数据的顺序。如果需要确保按 B_Date 的顺序递增，可以先做一次排序：

df_merged = df_merged.sort_values(['F_Date', 'B_Date']).reset_index(drop=True)

内容的提问来源于stack exchange，提问作者vp7