连续值与固定值的差值百分比计算及DataFrame新增E、F列需求

先把你提供的数据集整理成可复现的pandas DataFrame，方便后续操作：

import pandas as pd

data = {
    'A': list(range(14)),
    'B': ['2002-01-12 10:00:00', '2002-01-12 11:00:00', '2002-01-12 12:00:00',
          '2002-01-13 09:00:00', '2002-01-13 11:00:00', '2002-01-13 12:00:00',
          '2002-01-13 12:00:00', '2002-01-14 10:00:00', '2002-01-14 11:00:00',
          '2002-01-14 11:00:00', '2002-01-14 12:00:00', '2002-01-16 10:00:00',
          '2002-01-16 11:00:00', '2002-01-16 12:00:00'],
    'C': ['John', 'Africa', 'Mary', 'Billy', 'Mira', 'Hillary', 'Romina',
          'George', 'Denzel', 'Michael', 'Bisc', 'Virgin', 'Antonio', 'Sito'],
    'D': [19, 15, 30, 5, 6, 50, 50, 30, 12, 12, 25, 16, 10, 5]
}

df = pd.DataFrame(data)
# 把B列转换为datetime类型，方便后续按日期分组操作
df['B'] = pd.to_datetime(df['B'])

针对你提到的计算连续值与固定值之间的差值百分比并添加E、F列的需求，我分两种常见实用场景实现：

场景1：全局固定值+当日基准值 #

假设：

• E列：D列值与全局固定值（比如30）的差值百分比，公式为 ((D - 固定值)/固定值)*100
• F列：D列值与当日第一个D值的差值百分比（按B列日期分组取基准）

代码实现 #

# 定义全局固定值
global_fixed = 30

# 计算E列：与全局固定值的差值百分比，保留两位小数
df['E'] = ((df['D'] - global_fixed) / global_fixed) * 100
df['E'] = df['E'].round(2)

# 计算F列：与当日第一个D值的差值百分比
# 提取日期作为分组键
df['date'] = df['B'].dt.date
# 取每组第一个D值作为当日基准
daily_base = df.groupby('date')['D'].transform('first')
# 计算百分比差值并格式化
df['F'] = ((df['D'] - daily_base) / daily_base) * 100
df['F'] = df['F'].round(2)
# 删除临时date列
df.drop('date', axis=1, inplace=True)

最终结果预览 #

场景2：自定义固定值逻辑 #

如果你的“固定值”是其他规则（比如D列中位数、列C为特定值时的D值），只需要调整基准值的定义即可。比如以D列中位数作为固定值：

median_fixed = df['D'].median()
df['E'] = ((df['D'] - median_fixed) / median_fixed) * 100
df['E'] = df['E'].round(2)

这样就能灵活适配不同的固定值需求啦。

内容的提问来源于stack exchange，提问作者Tie_24