如何高效对DataFrame按列执行循环计算？Python新手求助

• 有两个DataFrame：一个是4列22行的常数表（包含alpha、beta等常量），另一个是15列11行的空DataFrame，需要填充计算结果。
• 空DataFrame的列分为S、C、P、R、I五类（每类重复3次），同一类列的计算逻辑一致：
  • S列：使用常数表第4行的alpha[4]和beta[4]，计算公式为 alpha[4] * Q**beta[4]
  • C列：使用alpha[3]和beta[3]，以此类推
• Q值随行递增：前6行初始值为0.0005，每次增量为j1；后5行初始值为0.015，每次增量为j2
• 现有嵌套循环代码计算结果异常（S、I列结果错误），寻求正确且高效的实现方式

for n in range (11):
    for col in df_26:
        if n <= 6:
            if 'S' in col:
                Q1 = 0.0005
                for i, row_value in df_26_1_mass[col].iteritems():
                    df_26[col][i] = alpha[4] * (Q1**beta[4])
                    Q1 = Q1 + j1
            elif "C" in col:
                Q1 = 0.0005
                for i, row_value in df_26_1_mass[col].iteritems():
                    df_26[col][i] = alpha[3] * (Q1**beta[3])
                    Q1 = Q1 + j1
            elif 'P' in col:
                Q1 = 0.0005
                for i, row_value in df_26_1_mass[col].iteritems():
                    df_26[col][i] = alpha[2] * (Q1**beta[2])
                    Q1 = Q1 + j1
            elif "R" in col:
                Q1 = 0.0005
                for i, row_value in df_26_1_mass[col].iteritems():
                    df_26[col][i] = alpha[1] * (Q1**beta[1])
                    Q1 = Q1 + j1
            else:
                Q1 = 0.0005
                for i, row_value in df_26_1_mass[col].iteritems():
                    df_26[col][i] = alpha[0] * (Q1**beta[0])
                    Q1 = Q1 + j1
        else: 
            if 'S' in col:
                Q2 = 0.015
                for i, row_value in df_26_1_mass[col].iteritems():
                    df_26[col][i] = alpha[4] * (Q2**beta[4])
                    Q2 = Q2 + j2
            elif "C" in col:
                Q2 = 0.015
                for i, row_value in df_26_1_mass[col].iteritems():
                    df_26[col][i] = alpha[3] * (Q2**beta[3])
                    Q2 = Q2 + j2
            elif 'P' in col:
                Q2 = 0.015
                for i, row_value in df_26_1_mass[col].iteritems():
                    df_26[col][i] = alpha[2] * (Q2**beta[2])
                    Q2 = Q2 + j2
            elif "R" in col:
                Q2 = 0.015
                for i, row_value in df_26_1_mass[col].iteritems():
                    df_26[col][i] = alpha[1] * (Q2**beta[1])
                    Q2 = Q2 + j2
            else:
                Q2 = 0.015
                for i, row_value in df_26_1_mass[col].iteritems():
                    df_26[col][i] = alpha[0] * (Q2**beta[0])
                    Q2 = Q2 + j2

• 循环逻辑错误：每次处理列时都重新初始化Q值，导致前6行/后5行的Q值无法逐行递增，所有行的计算值重复
• 链式索引风险：df_26[col][i]的写法可能触发SettingWithCopyWarning，导致赋值失效或结果异常
• 代码冗余：同一计算逻辑重复多次，维护成本高；多层嵌套循环违背Pandas向量化设计，效率极低

利用Pandas的向量化运算和广播机制，彻底避免循环，步骤如下：

1. 生成完整Q值序列
   直接构造11行的Q值数组，前6行和后5行分别按规则生成：

import numpy as np

# 生成前6行Q值：从0.0005开始，每次加j1，共6个值
q_part1 = np.linspace(0.0005, 0.0005 + j1 * 5, 6)
# 生成后5行Q值：从0.015开始，每次加j2，共5个值
q_part2 = np.linspace(0.015, 0.015 + j2 * 4, 5)
# 合并为完整的Q数组
Q = np.concatenate([q_part1, q_part2])

2. 建立列类型与参数的映射
   用字典统一管理列类型对应的alpha、beta索引：

col_param_map = {
    'S': 4,
    'C': 3,
    'P': 2,
    'R': 1,
    'I': 0
}

3. 批量填充DataFrame
   遍历列名，匹配对应的参数索引，利用广播计算整列值：

for col in df_26.columns:
    # 匹配当前列对应的参数索引
    for col_type, idx in col_param_map.items():
        if col_type in col:
            param_idx = idx
            break
    # 向量化计算整列值，自动广播到所有行
    df_26[col] = alpha[param_idx] * (Q ** beta[param_idx])

• 向量化运算：直接对数组Q进行计算，比循环效率提升数倍，且避免循环逻辑错误
• 广播机制：一维Q数组赋值给DataFrame列时，会自动扩展为与列行数一致的数组，无需逐行处理
• 代码简洁：通过映射字典消除冗余逻辑，便于后续修改参数或新增列类型

内容的提问来源于stack exchange，提问作者Gmd18c