如何批量为DataFrame生成Coln*(Coln Volume)/Coln Value结果列？

问题描述 #

我有如下结构的DataFrame：

Col1 Col2 Col3.... Col64   Col1 Volume Col2 Volume....Col64 Volume.... Col1 Value Col2 Value...Col 64 Value

 2     3   4         5        5           7             9                 3         5
 3     4   5         11       8           6             5                 6         5
 5     3   4         6       10          11             5                 3         4             

需要逐行对每个n执行计算：(Coln × Coln Volume) ÷ Coln Value，将结果存入新列Coln Result并追加到原DataFrame中。示例输出如下：

Col1 Result  Col2 Result
3.33         4.2
6            4.8
16.6         8.25
...

手动操作耗时过长，请问如何实现该批量运算？

解决方案 #

方法一：循环遍历基础列（直观易读） #

先提取所有基础列（Col1到Col64），再循环计算每一列的结果：

import pandas as pd

# 假设你的DataFrame已加载为df
base_cols = [col for col in df.columns if 'Volume' not in col and 'Value' not in col]

for col in base_cols:
    # 匹配对应的Volume和Value列
    vol_col = f"{col} Volume"
    val_col = f"{col} Value"
    # 计算结果并新增列
    df[f"{col} Result"] = (df[col] * df[vol_col]) / df[val_col]
    # 可选：保留两位小数对齐示例格式
    df[f"{col} Result"] = df[f"{col} Result"].round(2)

方法二：向量化运算（高效适合大数据） #

利用Pandas的筛选和广播特性，避免循环，性能更优：

import pandas as pd

# 拆分三类列，统一列名前缀
base = df.filter(regex='^Col\d+$')
volume = df.filter(regex='Volume$').rename(columns=lambda x: x.replace(' Volume', ''))
value = df.filter(regex='Value$').rename(columns=lambda x: x.replace(' Value', ''))

# 批量计算结果
result_df = (base * volume) / value
# 重命名结果列
result_df.columns = [f"{col} Result" for col in result_df.columns]
# 合并回原DataFrame
df = pd.concat([df, result_df], axis=1)
# 可选：保留两位小数
df = df.round({col:2 for col in result_df.columns})

两种方法都能自动生成所有Coln Result列并追加到原DataFrame中，无需手动重复操作。

内容的提问来源于stack exchange，提问作者Jahrakal