如何用Pandas计算同品牌同行业组内所有数据对的价格销量变化率？

问题说明 #

给定数据集包含字段：Brand（品牌）、Sector（行业）、Year（年份）、Price（价格）、Sales（销量），示例数据如下：

分组规则：相同Brand + 相同Sector为一个组，需要计算组内所有两两数据对的「距离」，公式为：
(A.Price - B.Price)/(A.Sales - B.Sales)

之前用df.diff()、df.roll()只能处理相邻元素，无法生成全量数据对，以下是可行实现方案。

实现步骤（Python Pandas） #

1. 构造示例数据 #

先把给定数据转换成Pandas DataFrame：

import pandas as pd

data = [
    ["B1", "S1", 2023, 45900, 400],
    ["B1", "S1", 2022, 45000, 500],
    ["B2", "S1", 2022, 45400, 520]
]
df = pd.DataFrame(data, columns=["Brand", "Sector", "Year", "Price", "Sales"])

2. 定义分组内计算函数 #

利用itertools.combinations生成组内所有两两数据对，然后逐个计算距离：

from itertools import combinations

def calc_group_distance(group):
    # 生成组内所有行的索引组合（两两配对）
    pairs = combinations(group.index, 2)
    results = []
    for idx1, idx2 in pairs:
        a = group.loc[idx1]
        b = group.loc[idx2]
        # 计算距离，避免除数为0的情况
        if a["Sales"] != b["Sales"]:
            distance = (a["Price"] - b["Price"]) / (a["Sales"] - b["Sales"])
        else:
            distance = None  # 可根据需求修改除数为0的处理逻辑
        results.append({
            "Brand": a["Brand"],
            "Sector": a["Sector"],
            "Year_A": a["Year"],
            "Year_B": b["Year"],
            "Price_A": a["Price"],
            "Price_B": b["Price"],
            "Sales_A": a["Sales"],
            "Sales_B": b["Sales"],
            "Distance": distance
        })
    return pd.DataFrame(results)

3. 分组应用并合并结果 #

按Brand和Sector分组后，对每个组应用上述函数，最后合并所有结果：

# 分组并计算
result_df = df.groupby(["Brand", "Sector"]).apply(calc_group_distance).reset_index(drop=True)

# 查看结果
print(result_df)

输出结果 #

运行后会得到如下结果（对应B1-S1组的唯一数据对）：

B2-S1组只有1条数据，没有可配对的元素，因此无输出。

注意事项 #

• 代码中加入了除数为0的判断，如果组内存在Sales相同的数据对，会返回None，可根据实际需求修改处理逻辑（比如抛出提示、赋值为特定值等）
• 如果数据集较大，可考虑优化性能（比如用向量化操作替代循环，但小规模数据下循环足够简洁直观）

内容的提问来源于stack exchange，提问作者user2458922