如何高效按行列位置对两个Pandas DataFrame执行对应位置计算

完全不需要用pd.merge，只要两个DataFrame的行索引、列名保持对应，直接用pandas原生向量化运算就可以实现，效率比merge高很多，也不会出现合并后列名冲突、数据错位的问题。

核心实现逻辑 #

pandas的DataFrame做算术运算时，默认会自动按行索引、列名对齐对应位置的值，直接套用计算公式写代码即可：

import pandas as pd
import numpy as np

# 先把df2调整为和df1完全一致的行列结构，避免顺序错乱导致计算错误
df2_aligned = df2.reindex_like(df1)
# 按基准公式计算百分比差值
df_master = (df1 - df2_aligned) / df1

示例验证 #

用给出的样例数据跑上述代码：

# 构造样例df1
df1 = pd.DataFrame(
    [[1.0, 0.55, 0.35], [1.0, 0.40, 0.20]],
    columns=[0,1,2]
)
df1.index.name = "period_number"

# 构造样例df2
df2 = pd.DataFrame(
    [[1.0, 0.30, 0], [1.0, 0.20, 0]],
    columns=[0,1,2]
)
df2.index.name = "period_number"

# 执行计算
df2_aligned = df2.reindex_like(df1)
df_master = (df1 - df2_aligned) / df1

输出的df_master结果和预期完全匹配：

注意事项 #

• 如果df1中存在0值，计算时会产生inf（无穷大）的无效结果，可以加一步替换处理：df_master = df_master.replace([np.inf, -np.inf], np.nan)
• 不要用merge处理这类场景：merge是按关联键做表连接，会自动给重名列加后缀，后续还要手动逐列匹配计算，不仅代码冗余，遇到重复关联键时还容易出现数据膨胀的问题，完全不适配行列一一对应的计算需求。
• 如果两个df的索引不是默认的位置索引，只要索引值和列名能一一对应，上述代码依然可以正常运行，不需要额外调整。

内容的提问来源于stack exchange，提问作者titutubs