Python pandas实现列值与行数据相乘 解决结果大量NaN问题

• pandas执行*算术运算时默认会按行索引、列索引双对齐，只有两边索引完全匹配的单元格才会计算，索引不匹配的位置直接返回NaN。
• 你代码里的df2.transpose()是无效操作：一维Series不存在行列维度的区别，转置后还是长度为9的一维结构，根本不是你预期的1行9列二维数组，自然没法触发你想要的广播乘法。小数据集下偶尔计算正确，只是刚好部分索引碰巧匹配，不是写法本身正确。

优先选第一种，大数据集下性能最高，也不会触发索引对齐导致的NaN问题：

写法1：直接调用底层numpy数组做广播运算（推荐） #

绕开pandas的索引对齐逻辑，直接用numpy原生广播实现逐元素相乘，速度最快：

import pandas as pd

days = [1, 2, 3]
time = [2, 4, 2, 4, 2, 4, 2, 4, 2]

df1 = pd.DataFrame(days)
s2 = pd.Series(time)

# 3行1列的数组乘长度9的一维数组，numpy自动广播为3行9列
df3 = pd.DataFrame(df1.to_numpy() * s2.to_numpy())

写法2：显式调整维度后运算 #

如果你需要保留pandas对象的索引，手动给一维列数据增加维度后再计算：

import pandas as pd
import numpy as np

days = [1, 2, 3]
time = [2, 4, 2, 4, 2, 4, 2, 4, 2]

s1 = pd.Series(days)
s2 = pd.Series(time)

# 给s1增加列维度，从(3,)变成(3,1)，和(9,)的s2运算时自动广播
df3 = pd.DataFrame(s1.to_numpy()[:, np.newaxis] * s2.to_numpy())

两种写法输出的df3完全匹配你的预期：

0   1  2   3  4   5  6   7  8
0  2   4  2   4  2   4  2   4  2
1  4   8  4   8  4   8  4   8  4
2  6  12  6  12  6  12  6  12  6

提示：如果你的原始数据带自定义索引，运算前可以先把索引保存下来，算完再赋值回结果DataFrame即可，不要直接拿带不匹配索引的pandas对象直接做乘法。

内容的提问来源于stack exchange，提问作者JakeP