Python中Pandas DataFrame与列表元素的逐行求和计算优化问询

需要对Pandas DataFrame的每行元素，与一个长度和DataFrame列数相等的列表元素逐元素计算 (2/3) * x_i² * df_value，然后对每行的计算结果求和，得到每行对应的总和。

现有代码通过循环列索引，最终只得到4个结果（和列数一致），不符合需求：

result = []
for i in range(len(df_n.columns)):   # 共4列
        total = sum(2/3 * x[i]**2 * df_n.iloc[i])
        result.append(total)
print(result)

类似的 mass = (math.pi/6 * binning[i]**3 * roh_solid * counts_nc.iloc[i]).sum() 也得到相同的错误结果。

不想用嵌套循环（不符合Python高效编程规范），求无需双重循环的优化实现，以及这类问题的解决思路。

示例列表：

x_list = [0.4012, 0.551, 0.8124, 1.1402] 

示例DataFrame（time为索引）：

核心思路：用Pandas向量化操作替代循环 #

Pandas支持广播机制，能让列表/Series和DataFrame直接进行逐元素运算，完全不需要显式循环，效率远高于Python层面的循环。

具体实现代码 #

import pandas as pd

# 示例数据
x_list = [0.4012, 0.551, 0.8124, 1.1402]
data = {
    'n_1': [1e-15, 0.7887821, 2.030013, 2.944119, 3.318537],
    'n_2': [1e-15, 0.04929888, 0.1268758, 0.3236459, 0.4064088],
    'n_3': [1e-15]*5,
    'n_4': [1e-15, 1e-15, 1e-15, 0.04654615, 0.06206153]
}
df_n = pd.DataFrame(data, index=pd.to_datetime([
    '2022-03-18 07:16:54', '2022-03-18 07:16:55',
    '2022-03-18 07:16:56', '2022-03-18 07:16:57',
    '2022-03-18 07:16:58'
]))

# 步骤1：将列表转为Series，确保和DataFrame列对齐
x_series = pd.Series(x_list, index=df_n.columns)

# 步骤2：逐元素计算，然后按行求和
row_sums = (2/3 * x_series**2 * df_n).sum(axis=1)

print(row_sums)

输出结果 #

2022-03-18 07:16:54    1.218135e-15
2022-03-18 07:16:55    8.916673e-02
2022-03-18 07:16:56    2.304497e-01
2022-03-18 07:16:57    3.534667e-01
2022-03-18 07:16:58    4.066438e-01
dtype: float64

1. 优先用向量化操作：Pandas/Numpy的向量化运算都是底层优化的C代码，比Python循环快几个数量级，能避免嵌套循环的低效问题。
2. 对齐维度：确保列表/数组的维度和DataFrame的列/行匹配，利用广播机制自动完成逐元素运算。
3. 避免iloc循环：如果必须遍历，尽量用df.apply（但效率仍低于向量化），或者直接用Numpy数组操作（df.values转换为数组后运算）。

内容的提问来源于stack exchange，提问作者Swawa