如何高效（向量化）将Pandas列与对应年度系数相乘？

首先先还原你的原始数据和需求：

你有一个带Datetime索引的DataFrame：

import pandas as pd

df = pd.DataFrame( {'test':[1, 1, 1, 1, 1, 1]}, 
                   index=[ '2018-01-01', '2018-01-02', '2018-01-03', 
                           '2019-01-03', '2019-01-02', '2020-01-02' ] )
df.index = pd.to_datetime(df.index)

同时有年度参数列表 yearly_parameter = [1, 2, 3]，分别对应2018、2019、2020年，需要将test列与对应年度参数相乘得到answer列。

高效向量化实现方案 #

这里推荐用字典映射+向量化操作，既高效又直观，完全避免循环：

1. 先创建年份到参数的映射字典：

# 利用参数列表的顺序快速生成映射
year_map = {2018 + idx: param for idx, param in enumerate(yearly_parameter)}
# 也可以手动定义（可读性更强）
# year_map = {2018:1, 2019:2, 2020:3}

2. 提取索引的年份，映射到对应参数后与test列相乘：

df['answer'] = df['test'] * df.index.year.map(year_map)

执行后输出的结果完全符合预期：

test  answer
2018-01-01     1       1
2018-01-02     1       1
2018-01-03     1       1
2019-01-03     1       2
2019-01-02     1       2
2020-01-02     1       3

如果你的年份是连续无断层的，也可以用更简洁的numpy向量化索引（效率略高）：

import numpy as np
start_year = 2018
# 计算年份偏移量作为列表索引，直接批量取值
df['answer'] = df['test'].values * np.array(yearly_parameter)[df.index.year - start_year]

关于用列表存储年度参数的合理性 #

• 适合场景：如果你的年份是连续且严格按顺序递增的（比如从2018开始每年都有数据），用列表存储是可以的，通过年份偏移量就能快速对应参数，节省一点定义字典的代码。
• 不推荐场景：如果年份可能出现断层（比如缺少某一年的数据）、或者参数对应的年份顺序有变化，列表的可读性和容错性会很差——你需要反复确认列表索引和年份的对应关系，很容易出错。

更稳妥的选择：用字典直接存储{年份: 参数}的键值对，不管年份是否连续，都能准确映射，代码可读性更强，后期维护也更方便。

内容的提问来源于stack exchange，提问作者Peslier53