如何按组高效实现Pandas DataFrame对应元素乘法？

我有一个包含group列和特征列（feature 1、feature 2）的pandas DataFrame：

另有一个乘数表，包含每个group对应各feature的乘数：

我将第一个表定义为data，第二个表定义为multiplier，尝试了以下代码：

data2 = data.copy()
for i in range(len(multipliers)):
    mul  = multipliers[features].loc[i]
    all_data2.loc[all_data2.group==i,features] = all_data2.loc[all_data2.group==0,features]*mul

预期得到的结果为：

（每个group的对应feature与乘数相乘）

该代码可正常运行，但处理大数据集时速度极慢，请问有什么更高效的实现方式？

方法1：广播乘法（最优性能） #

利用pandas的索引匹配和广播机制，直接对整列执行向量化乘法，完全避免循环：

# 将乘数表设置为group为索引，然后根据data的group列匹配对应的乘数
multiplier_indexed = multiplier.set_index('group')
matched_muls = multiplier_indexed.reindex(data['group']).reset_index(drop=True)

# 执行广播乘法，直接更新特征列
data2 = data.copy()
data2[['feature 1', 'feature 2']] = data[['feature 1', 'feature 2']] * matched_muls

方法2：合并后逐列计算 #

通过合并两个表，明确关联每个行的乘数后再执行乘法，逻辑更直观：

# 给乘数表的列添加后缀，避免合并后列名冲突
multiplier_renamed = multiplier.add_suffix('_mul').rename(columns={'group_mul': 'group'})
# 按group列合并两个表
merged = data.merge(multiplier_renamed, on='group')

# 对每个特征列执行原数值×对应乘数的操作
for feat in ['feature 1', 'feature 2']:
    merged[feat] = merged[feat] * merged[f'{feat}_mul']

# 提取最终需要的列
data2 = merged[['group', 'feature 1', 'feature 2']]

方法3：分组映射乘法 #

借助groupby分组后，对每组应用对应group的乘数：

# 将乘数表转为字典，key为group，value为对应特征的乘数字典
mul_dict = multiplier.set_index('group').to_dict('index')

# 分组后对每组的特征列执行乘法
data2 = data.copy()
data2[['feature 1', 'feature 2']] = data2.groupby('group', group_keys=False).apply(
    lambda x: x[['feature 1', 'feature 2']] * mul_dict[x.name]
)

以上三种方法均采用pandas内置的向量化操作，避免了原生Python循环的性能损耗，在大数据集场景下速度会有显著提升，其中方法1的代码最简洁，性能最优。

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