pandas DataFrame按行做除法归一化时如何保留非数值对象列

你原来的代码丢失Sample_name列的核心原因是：切片计算时仅选中了从C14-Cer_mean开始的数值列，没有将非数值的标识列纳入计算范围，只要将标识列和归一化计算结果按列合并即可，两种常用实现如下：

• 方法1：拆分计算后拼接，逻辑最直观

import pandas as pd

# 提取数值列，以Blank行对应值做归一化
# 注：不硬编码iloc[-1]，通过Sample_name字段匹配Blank行，避免Blank行位置变化导致计算错误
blank_row = df[df['Sample_name'] == 'Blank'].squeeze()
norm_value = df.loc[:, 'C14-Cer_mean':].div(blank_row['C14-Cer_mean':])

# 拼接Sample_name列和归一化后的数值列
df_normalized = pd.concat([df[['Sample_name']], norm_value], axis=1)

如果确认Blank行一定是DataFrame最后一行，blank_row可以直接替换为df.iloc[-1]，和你原代码的取值逻辑一致。

• 方法2：用assign批量覆写数值列，无需单独拼接

# 取出所有需要归一化的数值列名
numeric_cols = df.columns[df.columns.get_loc('C14-Cer_mean'):]
# 取出Blank行的对应数值
blank_vals = df[df['Sample_name'] == 'Blank'][numeric_cols].iloc[0]
# 批量计算归一化值，保留原表所有非数值列
df_normalized = df.assign(**{col: df[col]/blank_vals[col] for col in numeric_cols})

两种方法得到的输出结构完全符合需求：

Sample_name  C14-Cer_mean  C16-Cer_mean  C18-Cer_mean  C18:1-Cer_mean
0         1 1      0.305224      0.542487     66.428386       73.615331
1        1 10      0.814695      1.246165     73.802656       58.064596
2        1 13      0.556438      0.517383     50.555945       51.913684
3        1 14      0.314057      1.148754     56.165753       61.262199
4         1 5      0.499128      0.460813     40.182432       41.771051
5         1 6      0.300203      0.784065     47.359483       52.842028
6         1 9      0.395581      1.082054     54.019758       58.772851
7       Blank      1.000000      1.000000      1.000000        1.000000

注：你给出的目标示例中1 9行的C18:1-Cer_mean值存在笔误，实际计算结果为58.77左右，并非8.77。

内容的提问来源于stack exchange，提问作者TraPS-VarI