如何批量计算两个DataFrame同类指标差值并在df1新增列？

嘿，这个场景我熟！不用手动逐个写计算逻辑的话，有两种高效的实现方式，完全适配你的需求，一起来看看：

方法1：列名对齐批量计算（简洁高效） #

这个方法核心是先把df2的列名和df1对齐，然后批量计算差值，最后合并回原DataFrame，代码量极少：

import pandas as pd
import numpy as np

# 生成示例数据（和你提供的一致）
df1 = pd.DataFrame(np.random.randint(0,100,size=(15, 2)), columns=['MetricA', 'MetricB'])
df2 = pd.DataFrame(np.random.randint(0,100,size=(15, 2)), columns=['MetricA1', 'MetricB1'])

# 步骤1：重命名df2的列，去掉末尾的"1"，和df1的列名一一对应
df2_renamed = df2.rename(columns=lambda col_name: col_name[:-1])

# 步骤2：批量计算差值，自动生成所有对应列的结果
delta_df = df1 - df2_renamed

# 步骤3：给差值列重命名成你想要的格式（比如DeltaMetricAAndA1）
delta_df.columns = [f'Delta{col}And{col}1' for col in delta_df.columns]

# 步骤4：把差值列合并到df1中
df1 = pd.concat([df1, delta_df], axis=1)

方法2：循环匹配列名（灵活可控） #

如果你的列名对应规则偶尔有变动，或者需要加额外判断，循环匹配的方式更灵活：

import pandas as pd
import numpy as np

# 生成示例数据
df1 = pd.DataFrame(np.random.randint(0,100,size=(15, 2)), columns=['MetricA', 'MetricB'])
df2 = pd.DataFrame(np.random.randint(0,100,size=(15, 2)), columns=['MetricA1', 'MetricB1'])

# 遍历df1的每一列，自动匹配df2中对应的"列名+1"列，计算差值
for col in df1.columns:
    # 构造df2中对应的列名
    matching_col = f"{col}1"
    # 检查该列是否存在于df2中，避免报错
    if matching_col in df2.columns:
        # 新增差值列，命名符合你的要求
        df1[f'Delta{col}And{matching_col}'] = df1[col] - df2[matching_col]

两种方法对比 #

• 方法1更简洁，适合列名对应规则非常固定（都是原列名加1）的场景，一行代码就能完成所有差值计算
• 方法2更灵活，比如后续如果有非"列名+1"的对应关系，或者需要对某些列做特殊处理，直接在循环里加判断即可

注意事项 #

确保df1和df2的行数一致且索引对齐，如果索引不匹配，建议先执行df1.reset_index(drop=True)和df2.reset_index(drop=True)来统一索引，避免计算时出现NaN或者错位问题。

内容的提问来源于stack exchange，提问作者Dhimmel90