如何生成DataFrame某列全组合并匹配对应列指标？

原始数据 #

首先定义输入的DataFrame：

import pandas as pd

df = pd.DataFrame({
    'id': ['a', 'b', 'c'],
    'metric_a': [1, 10, 30],
    'metric_b': [2, 20, 40]
})

方案1：交叉合并（Cross Merge）—— 最直观简洁 #

从pandas 1.2.0版本开始支持how='cross'的合并方式，直接生成两个DataFrame的笛卡尔积，完美契合需求：

# 拆分原DataFrame为x/metric_a、y/metric_b两个子集
df_x = df[['id', 'metric_a']].rename(columns={'id': 'x'})
df_y = df[['id', 'metric_b']].rename(columns={'id': 'y'})

# 交叉合并生成全组合
result = df_x.merge(df_y, how='cross')

执行后得到的结果完全符合预期：

x  y  metric_a  metric_b
0  a  a         1         2
1  a  b         1        20
2  a  c         1        40
3  b  a        10         2
4  b  b        10        20
5  b  c        10        40
6  c  a        30         2
7  c  b        30        20
8  c  c        30        40

方案2：MultiIndex.from_product + 重索引 —— 灵活的索引对齐方案 #

你询问的用MultiIndex.from_product结合重索引的方案完全可行，核心是利用索引对齐特性实现指标匹配：

# 获取唯一ID列表
ids = df['id'].unique()

# 生成x-y全组合的MultiIndex
multi_index = pd.MultiIndex.from_product([ids, ids], names=['x', 'y'])

# 构建基础结果框架并重置索引
result = pd.DataFrame(index=multi_index).reset_index()

# 通过索引重索引匹配对应的指标值
result['metric_a'] = df.set_index('id')['metric_a'].reindex(result['x']).values
result['metric_b'] = df.set_index('id')['metric_b'].reindex(result['y']).values

这个方案的优势在于可以直接基于索引操作，适合后续需要对x-y组合做分组、聚合等索引相关的操作场景。

方案对比 #

• 交叉合并：代码更简洁直观，学习成本低，适合快速实现需求
• MultiIndex方案：更灵活，能直接利用pandas的索引特性，适合复杂场景下的扩展

内容的提问来源于stack exchange，提问作者theodosis