如何遍历Pandas DataFrame多列批量计算并构建单行结果DataFrame

• 先预先计算重复用到的统计量，减少重复计算（提升效率关键）：
  提前算出每个Benthic_Mo分组的SHAPE_Area总和，以及全局总面积Area_sum，这俩是所有W8_列计算的公共依赖。

  # 预计算分组面积总和与全局总面积
  area_grouped = gdf.groupby('Benthic_Mo')['SHAPE_Area'].sum()
  Area_sum = gdf['SHAPE_Area'].sum()
  # 计算分组权重：每组面积占总面积的比例
  weights = area_grouped / Area_sum
  

• 筛选所有以W8_开头的目标列：

  w8_cols = [col for col in gdf.columns if col.startswith('W8_')]
  

• 批量计算每个W8_列的B1值：
  遍历目标列，对每列计算分组均值，再和权重相乘后求和，结果存入字典备用。

  results = {}
  for col in w8_cols:
      col_group_mean = gdf.groupby('Benthic_Mo')[col].mean()
      b1_value = (weights * col_group_mean).sum()
      results[col] = [b1_value]  # 用列表格式方便后续转单行DataFrame
  

• 构建单行结果DataFrame并计算方差/标准差：

  import pandas as pd
  
  # 转换为单行DataFrame
  result_df = pd.DataFrame(results)
  
  # 计算所有结果的方差和标准差
  total_variance = result_df.iloc[0].var()
  total_std_dev = result_df.iloc[0].std()
  
  # 可选：把统计量追加到结果DataFrame中
  result_df.loc['variance'] = total_variance
  result_df.loc['std_dev'] = total_std_dev
  

注意：预先计算权重的方式，避免了循环中重复调用groupby计算面积和，数据量越大，效率提升越明显。

内容的提问来源于stack exchange，提问作者domarom