如何在Pandas中基于DataFrame的列与索引值引用并使用字典中的值进行计算

嗨，我来帮你解决这个问题！你遇到的TypeError: unhashable type: 'Index'是因为你试图用整个索引序列去查字典，而字典只接受单个可哈希的键值，不是序列。咱们一步步来搞定它：

先分析错误原因 #

你的代码里dic[col + "_" + df.index.strftime("%Y")]这部分，df.index.strftime("%Y")返回的是一个Index对象（比如Index(['2019', '2020', '2021'], dtype='object')），把它和列名拼接后得到的还是一个序列，而字典的键必须是单个字符串，所以直接用这个序列查字典就会报错。

解决方案：逐个匹配字典键 #

我们需要为每个单元格生成对应的字典键，然后获取对应的人口值再做除法。这里有两种常用方法：

方法一：逐列循环处理（直观易懂）

先把非数值的"Unk"转换成NaN，避免计算错误，然后为每一行生成对应的字典键，再从字典中取值计算：

import pandas as pd

# 初始化你的数据
data = [{'A': 1, 'B': 3}, {'A': 2, 'B': 20}, {'A': "Unk", 'B': 50}]
df = pd.DataFrame(data, index=[pd.to_datetime("2019-12-31"),
                               pd.to_datetime("2020-12-30"),
                               pd.to_datetime("2021-12-31")])
dic = {"A_2019": 100, "B_2019": 200, "A_2020": 120, "B_2020": 150}

# 第一步：把"A"列的"Unk"转为NaN，方便后续数值计算
df['A'] = pd.to_numeric(df['A'], errors='coerce')

# 第二步：逐列计算比例
for col in df.columns:
    # 为当前列的每一行生成对应的字典键（比如"A_2019"）
    population_keys = [f"{col}_{year}" for year in df.index.year]
    # 从字典中获取人口值，没有对应键的话返回NaN
    populations = pd.Series([dic.get(key) for key in population_keys], index=df.index)
    # 计算新列：原数值除以人口
    df[f"{col}1"] = df[col] / populations

# 查看结果（保留三位小数）
print(df.round(3))

运行后得到的结果正好是你想要的：

A   B     A1     B1
2019-12-31  1.0   3  0.010  0.015
2020-12-30  2.0  20  0.017  0.133
2021-12-31  NaN  50    NaN  0.333

方法二：向量化处理（更高效，适合大数据集）

用stack和unstack把DataFrame转成多层索引的Series，一次性处理所有元素，再转回原结构：

import pandas as pd

# 初始化数据（同上）
data = [{'A': 1, 'B': 3}, {'A': 2, 'B': 20}, {'A': "Unk", 'B': 50}]
df = pd.DataFrame(data, index=[pd.to_datetime("2019-12-31"),
                               pd.to_datetime("2020-12-30"),
                               pd.to_datetime("2021-12-31")])
dic = {"A_2019": 100, "B_2019": 200, "A_2020": 120, "B_2020": 150}

# 转成多层索引Series，方便统一处理
stacked_df = df.stack()
# 为每个元素生成字典键：(日期, 列名) → "列名_年份"
keys = stacked_df.index.map(lambda x: f"{x[1]}_{x[0].year}")
# 计算比例：原数值 / 对应人口（没有人口则返回NaN）
rates = stacked_df / keys.map(dic.get)
# 把结果转回DataFrame，和原数据合并
df = df.join(rates.unstack().add_suffix("1"))

print(df.round(3))

这个方法避免了循环，在处理大型DataFrame时性能更好。

额外说明 #

• 用dic.get(key)而不是直接dic[key]，是为了当字典中没有对应键（比如2021年的A和B）时，自动返回None，计算时会变成NaN，符合你想要的结果。
• 先把"Unk"转成NaN是因为字符串无法和数值做除法，转换后计算会自动得到NaN，不影响其他数值的计算。

备注：内容来源于stack exchange，提问作者DrWhat