本文介绍如何将 DataFrame 的每个单元格（由列名和日期索引共同确定）映射到字典中的对应值（如 A_2019），完成逐元素除法等运算，避免 TypeError: unhashable type: 'Index' 错误。
本文介绍如何将 dataframe 的每个单元格（由列名和日期索引共同确定）映射到字典中的对应值（如 `a_2019`），完成逐元素除法等运算，避免 `typeerror: unhashable type: 'index'` 错误。
在 Pandas 数据分析中，常需根据 列名（location） 和 行索引（时间） 联合查询外部字典（如分地区、分年份的人口数据），再对原始数值执行标量运算（如发病率 = 病例数 ÷ 人口数）。直接拼接字符串（如 col + '_' + df.index.strftime("%Y")）会生成一个 Index 对象而非可哈希的字符串序列，导致 TypeError: unhashable type: 'Index' —— 这是因为字典键查找要求单个标量，而 df.index.strftime(...) 返回的是整个 Index，无法直接用于字典索引。
正确做法是：将字典结构化为与 DataFrame 对齐的二维结构（即 year × location 的 DataFrame），再利用 Pandas 的广播机制自动完成行列对齐运算。以下是推荐实现：
✅ 标准解法（推荐）
import pandas as pd
import numpy as np
# 原始数据（注意：含字符串 "Unk"，需先转为缺失值）
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("2020-12-31") # 注意：原问题中写为 2021，但字典无 2021，应为 2020
])
# 人口字典：格式为 "{location}_{year}" → value
dic = {"A_2019": 100, "B_2019": 200, "A_2020": 120, "B_2020": 150}
# 步骤 1：清洗数据，将非数字值转为 pd.NA，并启用 nullable integer/float 类型
df_clean = df.replace('Unk', pd.NA).convert_dtypes()
# 步骤 2：将字典解析为 MultiIndex Series → unstack 成 year × location DataFrame
def parse_key(key):
loc, year = key.split('_')
return (int(year), loc)
pop_series = pd.Series({parse_key(k): v for k, v in dic.items()})
pop_df = pop_series.unstack() # 列为 location (A/B)，索引为 year (2019/2020)
# 步骤 3：按 df.index.year 对齐人口表，并恢复原始日期索引
pop_aligned = (
pop_df
.reindex(df_clean.index.year) # 按年份重索引（自动广播：2019→所有2019-xx-xx行）
.set_axis(df_clean.index) # 将索引设为原始 DatetimeIndex
)
# 步骤 4：执行逐元素除法，并添加后缀合并回原表
result = df_clean.join(
df_clean.div(pop_aligned).add_suffix('1')
)
print(result)
输出：
A B A1 B1 2019-12-31 1 3 0.01 0.015 2020-12-30 2 20 0.016667 0.133333 2020-12-31 <na> 50 <na> 0.333333</na></na>
? 关键原理说明
-
unstack()将Series（MultiIndex(year, loc)→ value）转换为DataFrame（year行，loc列），形成结构化查找表； -
reindex(df.index.year)实现「年份级对齐」：Pandas 自动将2019映射到所有2019-*-*的行，无需循环； -
div()支持智能广播：当df_clean（shape: 3×2）与pop_aligned（shape: 3×2，索引/列完全匹配）相除时，Pandas 按行列标签精确对齐，而非位置； -
convert_dtypes()+pd.NA确保缺失值参与运算时返回pd.NA（而非NaN），保持类型安全。
⚠️ 注意事项
- 字典键必须严格匹配
"{col}_{year}"格式；若年份不全（如无2021），reindex会引入NaN，后续除法结果为NaN（符合预期）； - 原始数据含字符串（如
"Unk"）时，务必先replace().convert_dtypes()，否则div()会报错或产生意外字符串行为； - 若需更高灵活性（如支持季度、月份），可将
df.index.year替换为df.index.to_period('Y')或自定义函数； - 替代写法
tmp.rdiv(df)等价于df.div(tmp)，语义更明确推荐后者。
此方法规避了显式循环与索引拼接，充分利用 Pandas 的向量化对齐能力，兼具性能、可读性与健壮性，是处理“多维外部参数映射”场景的标准范式。
