基于年份匹配的DataFrame跨列除法运算实现需求

没问题，这个需求用Pandas很容易实现，我给你两种方案——一种直观易懂，另一种更高效适合大数据量：

先假设我们有如下示例数据（你可以替换成自己的真实数据）：

import pandas as pd

# 示例df1
df1 = pd.DataFrame({
    "year_t": [2020, 2021, 2022],
    "data_t": [100, 200, 300],
    "data_t_1": [90, 180, 270],
    "data_t_2": [80, 160, 240],
    "data_t_3": [70, 140, 210]
})

# 示例df2
df2 = pd.DataFrame({
    "year": [2017, 2018, 2019, 2020, 2021, 2022],
    "multiplyer": [2, 2.5, 3, 4, 5, 6]
})

方法一：逐行处理（直观易懂） #

这种方式逻辑清晰，适合数据量不大的场景：

1. 先把df2转换成年份:乘数的字典，方便快速查找对应年份的乘数
2. 定义一个函数，对df1的每一行计算各个output列
3. 用apply把函数应用到每一行

# 转换df2为字典，快速查找乘数
multiplier_dict = df2.set_index('year')['multiplyer'].to_dict()

def compute_outputs(row):
    base_year = row['year_t']
    # 按规则计算每个output列
    row['output_t'] = row['data_t'] / multiplier_dict.get(base_year, float('nan'))
    row['output_t_1'] = row['data_t_1'] / multiplier_dict.get(base_year - 1, float('nan'))
    row['output_t_2'] = row['data_t_2'] / multiplier_dict.get(base_year - 2, float('nan'))
    row['output_t_3'] = row['data_t_3'] / multiplier_dict.get(base_year - 3, float('nan'))
    return row

# 生成结果
result_df = df1.apply(compute_outputs, axis=1)

方法二：向量化操作（高效） #

如果你的数据量很大，逐行处理会比较慢，推荐用向量化操作，利用Pandas的内置方法提升效率：

1. 用map方法批量获取每个滞后年份对应的乘数
2. 直接做列级别的除法运算

# 批量获取各个年份的乘数
df1['multiplier_t'] = df1['year_t'].map(multiplier_dict)
df1['multiplier_t_1'] = df1['year_t'].sub(1).map(multiplier_dict)
df1['multiplier_t_2'] = df1['year_t'].sub(2).map(multiplier_dict)
df1['multiplier_t_3'] = df1['year_t'].sub(3).map(multiplier_dict)

# 计算output列
df1['output_t'] = df1['data_t'] / df1['multiplier_t']
df1['output_t_1'] = df1['data_t_1'] / df1['multiplier_t_1']
df1['output_t_2'] = df1['data_t_2'] / df1['multiplier_t_2']
df1['output_t_3'] = df1['data_t_3'] / df1['multiplier_t_3']

# 可选：删除中间生成的multiplier列
result_df = df1.drop(['multiplier_t', 'multiplier_t_1', 'multiplier_t_2', 'multiplier_t_3'], axis=1)

注意事项 #

• 如果某个年份在df2中不存在，map或get会返回NaN，你可以根据需求用fillna()填充默认值（比如fillna(1)表示默认除以1）
• 两种方法最终得到的result_df都会包含原始df1的列和新生成的output_t、output_t_1等列

内容的提问来源于stack exchange，提问作者user113156