Pandas DataFrame列值差值计算：求最小差值并关联原数据

核心需求 #

给df1的B列每个值，计算其与df2的D列所有值的差值，取最小值后添加到df1对应行。

示例数据 #

import pandas as pd

data1 = [[0.1, 0.5], [0.11, 0.4]]
df1 = pd.DataFrame(data1, columns=['A', 'B'])
data2 = [[-0.6, 0.33], [0.47, 0.9],[0.21, 0.76], [-0.7, 0.01]]
df2 = pd.DataFrame(data2, columns=['C', 'D'])

方法一：广播运算（高效适配大数据） #

利用Numpy广播机制直接生成所有差值的二维数组，再逐行取最小值，性能远高于apply，适合你提到的10行+20行甚至更大规模的数据：

# 计算差值并取每行最小值，添加为新列
df1['min_diff'] = (df1['B'].values[:, None] - df2['D'].values).min(axis=1)

执行后df1结果：

方法二：apply方法（直观易读，小数据友好） #

通过apply遍历df1['B']的每个值，逐次计算与df2['D']的差值最小值，代码更直观，适合小规模数据：

df1['min_diff'] = df1['B'].apply(lambda x: (x - df2['D']).min())

补充：取绝对值最小的差值（常见场景） #

如果你的实际需求是找最接近的数值（即差值的绝对值最小），只需对差值取绝对值后再取最小值：

# 广播方式
df1['abs_min_diff'] = abs(df1['B'].values[:, None] - df2['D'].values).min(axis=1)

# apply方式
df1['abs_min_diff'] = df1['B'].apply(lambda x: abs(x - df2['D']).min())

示例中abs_min_diff结果为[0.17, 0.07]，对应0.5最接近0.33，0.4最接近0.33。

内容的提问来源于stack exchange，提问作者BTM