如何用Pandas实现DataFrame按列匹配元素乘法运算？

现有数据 #

dfA： #

1   2   5
2   3   6
3   3   8

dfB： #

2
4
1

需求说明 #

把dfB的第1个元素和dfA第1列所有元素相乘，第2个元素和dfA第2列所有元素相乘，以此类推，最终要得到的结果是：

2 8  5
4 12 6
6 12 8

你写的问题代码 #

你尝试了下面这段代码，但没法正确得到结果并存入df C2：

empty_C = []
for x in range(3):
    C = A.iloc[:,x] * B.iloc[x,:]
    empty_C.append(C)
    C2 = np.stack(empty_C) 

问题分析 #

你的代码有两个核心问题：

1. B.iloc[x,:]取出来的是一个Series，和dfA列相乘后得到的还是Series，用np.stack会把这些Series按行堆叠，最后得到的C2是转置后的结果，和期望的行结构反过来了。
2. 你在循环里每次都重新赋值C2，这完全没必要，应该等所有列处理完再做堆叠操作。

修正方案 #

方案一：调整你的循环代码 #

修改后可以得到正确结果：

import pandas as pd
import numpy as np

# 先构造示例数据（如果已经有A和B可以跳过这部分）
A = pd.DataFrame([[1,2,5],[2,3,6],[3,3,8]])
B = pd.DataFrame([2,4,1])

empty_C = []
for x in range(3):
    # 直接取出B的单个数值，避免Series的广播问题
    val = B.iloc[x, 0]
    C = A.iloc[:, x] * val
    empty_C.append(C)
# 堆叠后转置，再转为DataFrame
C2 = pd.DataFrame(np.stack(empty_C).T)
print(C2)

方案二：更简洁的广播运算（推荐） #

不用写循环，直接利用Pandas的广播特性就能搞定，代码更简洁高效：

# 方法1：利用numpy数组广播
C2 = A * B.values.flatten()

# 方法2：用Pandas的multiply方法，更直观
C2 = A.multiply(B.squeeze(), axis=1)

print(C2)

解释：B.squeeze()把dfB转换成一维的Series，multiply指定axis=1后，会自动让B的每个元素对应dfA的每一列做乘法，完美匹配你的需求。

内容的提问来源于stack exchange，提问作者user16454053