如何在Pandas中批量实现列间相减（无需硬编码）

需求场景 #

需要对DataFrame的多列批量计算差值，规则为：

• 首列与指定常数相减
• 后续每一列与前一列相减
  避免硬编码（涉及100列），用Pythonic方式实现。

原始硬编码示例 #

import pandas as pd
df = pd.DataFrame({"a":[1,2,3,4],"b":[1,3,5,6],"c":[6,7,8,9]})

df['a_diff'] = df['a']-16
df['b_diff'] = df['b']-df['a']
df['c_diff'] = df['c']-df['b']

批量处理方案 #

方案1：向量化操作（高效适合大量列）

利用shift(axis=1)实现列方向偏移，结合批量赋值完成：

import pandas as pd

df = pd.DataFrame({"a":[1,2,3,4],"b":[1,3,5,6],"c":[6,7,8,9]})
# 定义首列要减去的常数
const = 16

# 生成差值矩阵：默认用当前列减前一列，再替换首列的计算规则
diff_values = df.sub(df.shift(axis=1), axis=0)
diff_values.iloc[:, 0] = df.iloc[:, 0] - const

# 重命名差值列
diff_values.columns = [f"{col}_diff" for col in df.columns]

# 合并差值列到原DataFrame
df = pd.concat([df, diff_values], axis=1)

方案2：循环遍历（逻辑直观）

如果需要更直观的逻辑控制，可通过循环处理每一列：

import pandas as pd

df = pd.DataFrame({"a":[1,2,3,4],"b":[1,3,5,6],"c":[6,7,8,9]})
const = 16

# 初始化存储差值的DataFrame
diff_cols = pd.DataFrame()
# 处理首列
diff_cols[f"{df.columns[0]}_diff"] = df.iloc[:, 0] - const

# 批量处理后续列
for idx in range(1, len(df.columns)):
    current_col = df.columns[idx]
    prev_col = df.columns[idx-1]
    diff_cols[f"{current_col}_diff"] = df[current_col] - df[prev_col]

# 合并到原表
df = pd.concat([df, diff_cols], axis=1)

说明 #

• shift(axis=1)是列方向偏移的核心，能快速将前一列数据对齐到当前列位置
• 向量化操作无需循环，处理100列时效率远高于循环方式
• 两种方案都能自动生成带_diff后缀的差值列，无需硬编码列名

内容的提问来源于stack exchange，提问作者Sam