pandas按州分组DataFrame应用累计平均病例公式报KeyError 0

触发KeyError:0的核心原因 #

该报错并非递推公式逻辑错误，而是pandas索引规则使用不当导致：

• 预处理阶段执行的dropna、行筛选操作默认保留原DataFrame的原有索引，不会自动将索引重排为从0开始的连续整数序列。
• 递推循环中使用的df.loc[i, 列名]方法，是按索引标签匹配行，而非按行的物理位置取值。当循环从i=0开始查找标签为0的行时，如果当前DataFrame的索引标签集合中不存在0值，就会直接抛出KeyError: 0。
• 即使索引问题解决，现有循环还存在隐含逻辑缺陷：未按州分组做计算隔离，跨州边界行会错误引用上一个州的最后一行的Cases、Avg day of case值做递推，计算结果完全不符合业务规则。

具体修复步骤 #

第一步：重置连续索引，解决KeyError报错 #

在所有预处理逻辑的最后追加一行代码，将索引重置为从0开始的连续整数，彻底消除标签匹配错位的问题：

df = df.reset_index(drop=True)

执行后df.loc[0]、df.loc[1]可以准确匹配到第一行、第二行数据，KeyError报错会直接消失。

第二步：修正递推计算的分组隔离逻辑 #

按州维度单独做逐行递推，避免跨州取值。可以选择两种实现方式：

• 轻量修改原循环，增加跨州判断跳过计算：

  for i in range(1, len(df)):
      # 遇到不同州的行，直接跳过（首行的初始值已经提前赋值正确）
      if df.loc[i, 'state'] != df.loc[i-1, 'state']:
          continue
      # 原有递推公式保留不变
      x = (((df.loc[i, 'Cases'] - df.loc[i-1, 'Cases']) * (df.loc[i, 'Day'] - df.loc[i-1, 'Avg day of case'])) / (df.loc[i, 'Cases'])) + (df.loc[i-1, 'Avg day of case'])
      df.loc[i, 'Avg day of case'] = round(x, 2)
  

• 效率更优的分组apply方案，避免全局循环的性能损耗：

  def _calc_group_avg(group_df):
      for row_idx in range(1, len(group_df)):
          prev_row = group_df.iloc[row_idx - 1]
          curr_row = group_df.iloc[row_idx]
          calc_val = (((curr_row['Cases'] - prev_row['Cases']) * (curr_row['Day'] - prev_row['Avg day of case'])) / curr_row['Cases']) + prev_row['Avg day of case']
          group_df.iloc[row_idx, group_df.columns.get_loc('Avg day of case')] = round(calc_val, 2)
      return group_df
  
  # 按州分组执行计算
  df = df.groupby('state', group_keys=False).apply(_calc_group_avg)
  

额外校验提醒 #

递推公式成立的前提是Cases列存储的是累计病例数，而非当日新增病例数。可以提前校验Cases列是否为单调不减序列，符合累计值特征后再执行计算，避免结果偏差。

内容的提问来源于stack exchange，提问作者user15288243