如何创建求和组合的透视/矩阵DataFrame？np.add.outer与广播孰快？

一、DataFrame 重组与求和实现 #

实现思路 #

1. 拆分数据：从原始DataFrame中分离出看涨期权（CE）和看跌期权（PE）的价格数据
2. 格式调整：将CE的索引、PE的列名调整为目标格式（如4000CE、4000PE）
3. 生成求和矩阵：利用numpy的向量化运算生成所有CE与PE组合的价格和
4. 转换为目标DataFrame：将矩阵包装成指定格式的DataFrame

代码示例 #

import pandas as pd
import numpy as np

# 构造原始DataFrame
raw_df = pd.DataFrame({
    'Strike': [4000, 4000, 4100, 4100],
    'Right': ['CE', 'PE', 'CE', 'PE'],
    'Price': [45, 55, 30, 60]
})

# 拆分CE和PE数据
ce_prices = raw_df[raw_df['Right'] == 'CE'].set_index('Strike')['Price']
pe_prices = raw_df[raw_df['Right'] == 'PE'].set_index('Strike')['Price']

# 调整索引和列名到目标格式
ce_index = [f"{strike}CE" for strike in ce_prices.index]
pe_columns = [f"{strike}PE" for strike in pe_prices.index]

# 生成求和矩阵（两种方式任选其一）
# 方式1：使用np.add.outer
sum_matrix = np.add.outer(ce_prices.values, pe_prices.values)
# 方式2：使用numpy广播
sum_matrix = ce_prices.values[:, np.newaxis] + pe_prices.values

# 转换为目标DataFrame
result_df = pd.DataFrame(sum_matrix, index=ce_index, columns=pe_columns)

运行后即可得到目标格式：

4000PE  4100PE
4000CE    100     105
4100CE     85      90

二、np.add.outer 与 numpy广播的速度对比 #

• np.add.outer(a, b) 本质是numpy广播机制的封装，底层实现和手动广播（a[:, np.newaxis] + b）完全一致
• 实际测试中两者执行速度几乎无差异，都依赖numpy的向量化运算优化
• 仅在极端性能敏感场景下，手动广播可能因少一层函数调用有极其微小的优势，但业务场景下完全可以忽略。优先选择代码可读性更高的方式即可

内容的提问来源于stack exchange，提问作者asimo