嘿，针对你的需求，我推荐一套高效且清晰的实现流程，核心思路是先聚合有效支付金额，再和产品表关联，最后计算剩余余额。这样既保证性能，又让逻辑一目了然。

步骤拆解与代码示例 #

假设你的两个DataFrame分别是：

• df_products：存储产品的KEY和original_price
• df_payments：记录每笔支付的KEY、price_code和payment_price

1. 筛选并聚合有效支付金额

首先从支付表中筛选出price_code为13、14、15的记录，然后按KEY分组求和，得到每个产品的总有效支付金额：

# 筛选有效支付记录并聚合
valid_payments = df_payments[df_payments['price_code'].isin([13, 14, 15])]
total_payments = valid_payments.groupby('KEY')['payment_price'].sum().reset_index(name='total_valid_payments')

2. 合并产品表与聚合后的支付数据

使用左连接将聚合结果合并到产品表中，这样即使某个产品没有有效支付记录，也能保留其原始数据，缺失的支付金额用0填充：

# 左连接，保留所有产品记录
merged_df = df_products.merge(total_payments, on='KEY', how='left').fillna({'total_valid_payments': 0})

3. 计算剩余余额列

最后新增remaining_balance列，用原始价格减去总有效支付金额：

# 计算剩余余额
merged_df['remaining_balance'] = merged_df['original_price'] - merged_df['total_valid_payments']

为什么这是最优解？ #

• 性能高效：先筛选再聚合，减少了groupby的计算量；merge操作是Pandas的高效内置方法，比逐行遍历快得多。
• 逻辑清晰：每一步都有明确的职责，从筛选有效数据到聚合、合并、计算，流程一目了然，方便后续维护。
• 鲁棒性强：左连接+填充0的处理，确保了没有支付记录的产品也能正确计算余额（即余额等于原始价格）。

如果你想简化代码，也可以把步骤合并成链式调用：

df_products['remaining_balance'] = df_products['original_price'] - df_products['KEY'].map(
    df_payments[df_payments['price_code'].isin([13,14,15])]
    .groupby('KEY')['payment_price']
    .sum()
    .fillna(0)
)

这种写法更简洁，但可读性稍弱，适合熟悉Pandas链式操作的场景。

内容的提问来源于stack exchange，提问作者CandleWax