我有一个Pandas Dataframe ，看起来像这样
| | 识别号|时间|价值|
| - ------|- ------|- ------|- ------|
| 无|1个|十个|1.0分|
| 1个|第二章|十个|2.0版|
| 第二章|1个|二十个|钠氮|
| 三个|三个|二十个|4.0版|
| 四个|1个|三十|钠氮|
| 五个|第二章|三十|钠氮|
| 六个|四个|三十|钠氮|
我想对每个ID进行采样和保持，使用最后一个已知的非空值来基于参数max_time估算一些空值。对于Value为空且时间为t的每一行，如果有一行具有相同的ID和时间t_other，例如t-max_time <= t_other <= t，然后我想用满足这个约束的最大值t_other的行的Value替换我的行的Value。
例如，在上面的表格中，如果max_time=10，那么对于Time = 20处的ID = 1，我们有一个空值Value，可以用Time = 10处的值来填充。
| | 识别号|时间|价值|
| - ------|- ------|- ------|- ------|
| 无|1个|十个|1.0分|
| 1个|第二章|十个|2.0版|
| 第二章|1个|二十个|1.0分|
| 三个|三个|二十个|4.0版|
| 四个|1个|三十|钠氮|
| 五个|第二章|三十|钠氮|
| 六个|四个|三十|钠氮|
其他空值在最后10个时间单位中没有值，无法填充它们，因此它们保持为空值。
我问了ChatGPT，它给出了解决方案

def fill_nulls(group):
    # Fill nulls with the last non-null value
    group['Value'] = group['Value'].ffill()
    
    # Calculate the time difference between consecutive rows
    time_diff = group['Time'].diff()
    
    # Set nulls to NaN if the time difference is greater than 10
    group['Value'][time_diff > 10] = np.nan

    return group

filled_df = df.groupby('ID').apply(fill_nulls)

但这是使用行索引2被填充的事实来表示行索引4不应该被替换为null，并且在那里也填充1.0，这不是我想要的。
我认为最好的方法是填充所有行，并将不应该填充的行替换为null，就像ChatGPT尝试的那样，但我不知道如何编写哪些行应该替换为null的逻辑。