本文介绍一种针对金融时间序列数据的特殊填充逻辑——当某行中任一指定列值与上一行相同，则该行所有目标列统一回填为上一行的有效值，需通过迭代方式精确实现。
本文介绍一种针对金融时间序列数据的特殊填充逻辑——当某行中任一指定列值与上一行相同，则该行所有目标列统一回填为上一行的有效值，需通过迭代方式精确实现。
在金融数据分析中，常遇到价格序列中出现“平台期”（即某资产价格连续多日不变），但基准（Benchmark）价格可能仍在变动；反之亦然。此时若希望保持两列变化的一致性——即只要任一列未发生变化，就将整行目标列同步回填为前一个有效状态——这种逻辑无法通过 fillna()、ffill() 或 replace() 等向量化操作直接完成，因为其依赖动态更新后的前一行状态，具有内在迭代性（例如：2023-12-24 行的 Benchmark_Price=100.0 是否被替换，取决于 2023-12-23 行经处理后是否已变为 98.0）。
因此，必须采用显式循环，逐行判断并实时更新。以下是推荐实现方案：
✅ 核心逻辑说明
- 遍历 DataFrame 的每一行；
- 将当前行与「上一行处理后的结果」逐元素比较；
- 若存在任意一列值未变化（即 row == prev 在至少一列成立），则将当前行中所有不匹配的列，强制设为上一行对应值（即“全行对齐”）；
- 更新 prev 为当前处理后的新行，供下一轮使用。
? 完整可运行代码
import pandas as pd
import numpy as np
def bidirectional_forward_fill(arr):
"""
对二维 NumPy 数组执行双向前向填充：
若当前行任一元素等于上一行对应元素，则整行目标列均继承上一行值。
Parameters:
arr : np.ndarray, shape (n_rows, n_cols)
Returns:
np.ndarray, same shape as input, in-place modified
"""
if arr.shape[0] == 0:
return arr
prev = arr[0].copy() # 初始化为第一行原始值
for i in range(1, len(arr)):
row = arr[i].copy()
# 判断哪些列发生了变化
changed = row != prev
# 若存在未变化的列（即 not changed.all()），则整行按 prev 同步
if not changed.all():
arr[i] = prev # 关键：整行覆写为前一行处理后状态
prev = arr[i] # 更新 prev 为当前已修正行
return arr
# 构造示例数据
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]
})
# 应用双向填充逻辑（仅作用于指定列）
cols = ['Security_Price', 'Benchmark_Price']
df[cols] = bidirectional_forward_fill(df[cols].to_numpy())
print(df)⚠️ 注意事项
- 不可向量化替代：shift() + mask() 或 where() 组合无法满足该需求，因其无法捕获“前一行已被修改”的链式效应；
- 顺序敏感：必须严格按行序从前向后处理，反向或分块处理将导致结果错误；
- 性能提示：对于超大规模数据（>1M 行），该循环在 Python 层略慢，但逻辑清晰、易于调试；如需加速，可考虑用 Numba 编译该函数；
- 扩展性好：函数支持任意数量的目标列，只需传入对应列组成的数组即可。
该方法确保了时间序列中“变化同步性”，特别适用于构建一致的相对收益指标、归一化价格曲线或风控信号对齐场景。
