本文介绍一种基于迭代逻辑的 Pandas 双向值替换方法：当 Security_Price 或 Benchmark_Price 任一列出现与上一行相同值时，将当前行两列均更新为上一行的有效值，从而实现联动式前向填充。
本文介绍一种基于迭代逻辑的 pandas 双向值替换方法：当 `security_price` 或 `benchmark_price` 任一列出现与上一行相同值时，将当前行两列均更新为上一行的有效值，从而实现联动式前向填充。
在金融或时间序列数据处理中，常遇到“粘滞值”（stale values）问题：某列价格未变动，但另一列实际已变化，导致逻辑不一致。例如，Security_Price 在连续多日保持 110.0，而 Benchmark_Price 从 98.0 升至 100.0 —— 此时若仅单独对某列做 .fillna(method='ffill')，无法保证两列的业务一致性。本方案要求：只要任一目标列值等于其前一行对应值，则整行目标字段均继承前一行的完整状态，即实现“双向绑定式前向填充”。
该逻辑本质上是顺序依赖型操作，无法通过向量化函数（如 df.eq(df.shift()) 后布尔索引）一步完成，因为后续行的判断依赖于已被修正的前一行结果（如示例中 2023-12-24 行的 Benchmark_Price=100.0 实际来自修正后的 2023-12-23 行，而非原始值）。因此必须采用显式循环逐行处理。
以下是高效、可扩展的实现方案：
import pandas as pd
import numpy as np
def bidirectional_ffill(arr):
"""
对二维 NumPy 数组执行双向联动前向填充：
若当前行任意元素等于上一行对应元素，则当前行所有元素替换为上一行值。
Parameters:
arr : np.ndarray, shape (n_rows, n_cols)
Returns:
np.ndarray, 修改后的数组（原地更新）
"""
if arr.shape[0] == 0:
return arr
prev = arr[0].copy() # 初始化为第一行
for i in range(1, len(arr)):
# 比较当前行与上一行（已更新过的 prev）
mask = arr[i] != prev
if not mask.all(): # 至少有一个值未变 → 触发联动填充
arr[i] = prev # 整行替换为上一行状态
else:
prev = arr[i].copy() # 仅当全不同才更新 prev
return arr
# 示例数据构建
df = pd.DataFrame({
'date': pd.date_range('2023-12-20', periods=12, freq='D'),
'Security_Price': [100.0, 105.0, 110.0, 110.0, 112.0, 112.0, 112.0, 115.0, 118.0, 120.0, 120.0, 107.0],
'Benchmark_Price': [100.0, 95.0, 98.0, 100.0, 100.0, 100.0, 105.0, 107.0, 107.0, 107.0, 110.0, 108.0]
})
# 应用双向填充（指定列）
cols = ['Security_Price', 'Benchmark_Price']
df[cols] = bidirectional_ffill(df[cols].to_numpy())
print(df)
✅ 关键特性说明：
- 强一致性保障：修改严格按时间顺序推进，确保每一行的判定都基于最新已修正的状态；
- 列数无关设计：函数支持任意数量的目标列（只需将列名加入 cols 列表）；
- 内存友好：直接操作 NumPy 数组，避免 DataFrame 频繁拷贝；
- 边界安全：自动跳过首行（无前置行可比），并妥善处理空数据。
⚠️ 注意事项：
- 此方法不适用于需并行加速的大规模流式场景（因强顺序依赖）；若性能成为瓶颈，可考虑分块处理+状态传递；
- 原始数据应已按 date 升序排列，否则需先执行 df.sort_values('date', inplace=True)；
- 若存在缺失值（NaN），需预先处理（如 fillna() 或明确约定 NaN != NaN 的语义），当前实现将 NaN 视为不等值，不会触发填充。
该方案精准匹配金融数据清洗中“价格静默期需同步锁定基准”的典型需求，兼顾逻辑严谨性与工程实用性。
