使用辅助函数来封装重复的计算部分可能会有所帮助：

<Table>
  <Table.Body>
    <Table.Row>
      <p>Total Assets/Liabilities:</p>
      <td>
        {cellValue}
        <Icon name={cellValue >= 0 ? "plus" : "minus"} />
      </td>
    </Table.Row>
  </Table.Body>
</Table>

然后，您可以更轻松地表达所有部分分布：

def partial(df,givens,index='c'):
    result = df.groupby(givens,as_index=False)['p'].sum().set_index(index)
    return result

FAB = pd.DataFrame({'a': [0,1,1],'b': [0,'c': [0,'p': [0.192,0.144,0.048,0.216,0.192,0.064,0.096]}) FC = partial(FAB,['c']) FA = partial(FAB,['c','a']) FB = partial(FAB,'b']) FAB = FAB.set_index('c') 和FA的乘积可以这样找到：

FB

（此外：请注意，FA_FB = (pd.merge(FA,FB,on=['c'],suffixes=['a','b'])) FA_FB['p'] = (FA_FB['pa'] * FA_FB['pb']) / FC['p'] FA_FB = FA_FB.drop(['pa','pb'],axis=1) ，FAB，FA和FB均由FC值索引。这使我们能够对这些DataFrame就像

c

即使(FA_FB['pa'] * FA_FB['pb']) / FC['p'] 与FC的形状不同。熊猫会根据匹配的索引自动为我们正确对齐行。这就是在FA_FB帮助函数中使用set_index(index)的原因。）

现在要测试partial等于FA_FB：

FAB

以下是一个可运行块中的上面的代码：

diff = [dfi.set_index(['a','b'],append=True) for dfi in (FA_FB,FAB)]
diff = diff[0] - diff[1]
assert (np.allclose(diff,0))

回想一下：代码所面临的一个问题是必须解决import pandas as pd import numpy as np def partial(df,as_index=False)['p'].sum().set_index(index) return result FAB = pd.DataFrame({'a': [0,'b']) FAB = FAB.set_index('c') # print(FAB) FA_FB = (pd.merge(FA,axis=1) # print(FA_FB) # print(FAB) diff = [dfi.set_index(['a',0)) 的情况，然后为c == 0重复计算。当然，您可以使用c == 1来处理此问题。 但是，由于您使用的是Pandas，通常可以（并且更快）避免将数据分解成碎片，而是尝试以影响整个DataFrame整体的操作来表示计算。

因此，在上文中，没有做出任何努力将案例for-loop与c == 0分开。相反，c == 1的值被推到c中，Pandas的索引自动对齐被用来照顾适合我们的行的合并或算术组合。

以这种方式（而不是使用index）使用Pandas的另一个好处是，代码可以处理任意数量的不同for-loop值，而无需更改代码。