pandas跨表列填充、滚动复合增长计算死循环与分组CAGR结果关联问题排查

原代码陷入无限循环的核心原因 #

• 内层while循环没有可触发跳出的路径：循环判断条件为len(df1.index) >(6+ind)，其中df1的总行数固定为15，ind是外层for循环传入的固定值，循环体内部既没有修改ind的大小，也没有调整df1的行数，只要条件一开始成立，循环就会一直重复执行同一套计算和赋值操作，永远不会退出。
• 结构冗余：逐行计算滚动值的场景仅需单层遍历即可完成，嵌套while属于完全多余的设计。

多标的分组计算滚动CAGR的正确对齐方案 #

之前分组计算的结果无法关联回原表的核心原因是：groupby().rolling()生成的计算结果自带「分组标签+原表行索引」的多层索引结构，和原DataFrame的单层索引不匹配，直接赋值会因为索引错位返回全空值，最优实现步骤如下：

• 窗口逻辑确认：3年期CAGR需要覆盖完整的3年时间跨度，对应滚动窗口大小设置为4（包含期初、期末共4个年度时点），和代码中1+3的窗口值逻辑一致，不需要调整。
• 索引对齐配置：分组时通过参数关闭多余的索引层级，计算完成后移除rolling生成的冗余索引，让计算结果的索引和原表完全匹配，示例代码：

  cagr_3y = (
      df.groupby('Symbol', group_keys=False)
        .rolling(window=4)['Revenue']
        .apply(lambda x: (x.iloc[0] / x.iloc[-1]) ** (1/3) - 1)
        .reset_index(level=0, drop=True)
  )
  # 结果可直接赋值回原表
  df['3Y_Revenue_CAGR'] = cagr_3y
  

• 多索引适配：如果原表本身就是(股票代码, 年份)格式的多层索引结构，计算时直接按股票代码层级分组即可，生成的结果和原表索引天然匹配，不需要额外做索引调整。

单表5年期滚动CAGR的高效实现 #

完全可以替代原有的嵌套循环写法，调用pandas内置rolling方法实现，运算效率远高于手写循环：

# 5年期CAGR对应6格窗口，覆盖完整5年时间跨度
df2['A'] = df1['A'].rolling(window=6).apply(lambda x: (x.iloc[0]/x.iloc[-1])**(1/5) - 1)

内容的提问来源于stack exchange，提问作者M LUY