如何计算两个同尺寸pandas DataFrame对应单元格的%CV

触发TypeError: loop of ufunc does not support argument 0 of type float which has no callable sqrt method的核心原因是：你从DataFrame转出来的numpy数组包含非numpy原生数值类型（比如object类型存的Python原生float、混有字符串/空值的列），numpy计算标准差调用sqrt方法时无法识别这类类型，和np.dstack的拼接逻辑本身没有关系。

不需要绕路拼接高维数组，用pandas原生逐元素运算逻辑更简单，还能自动对齐索引、列名，不会出现行列错位问题。

1. 预处理：统一数值类型（从根源解决报错） #

先把两个DataFrame的所有值强制转为数值类型，非数值内容转空值，避免类型兼容问题：

import pandas as pd
import numpy as np

# 替换成你自己的两个DataFrame变量名即可
df1 = df1.apply(pd.to_numeric, errors='coerce')
df2 = df2.apply(pd.to_numeric, errors='coerce')

2. 计算逐单元格均值 #

两个同维度DataFrame直接做算术运算就是逐位置计算，结果完全匹配你给出的期望输出格式：

mean_df = (df1 + df2) / 2

用你提供的示例数据运行后输出：

A  B  C
0  2  2  2
1  5  5  5
2  8  8  8

3. 计算逐单元格标准差 #

两个数值的标准差直接套用公式计算即可，不需要做数组拼接：

# 样本标准差（ddof=1，和pandas默认std计算逻辑一致，常规CV计算用这个）
std_df = np.sqrt(((df1 - mean_df)**2 + (df2 - mean_df)**2) / (2 - 1))

# 如果需要总体标准差，把分母改成2即可
# std_df = np.sqrt(((df1 - mean_df)**2 + (df2 - mean_df)**2) / 2)

示例数据计算得到的标准差结果：

A    B    C
0  2.0  0.0  2.0
1  2.0  0.0  2.0
2  2.0  0.0  2.0

4. 计算%CV #

直接用标准差除以均值，同时处理均值为0时的无穷大异常值：

cv_df = std_df.div(mean_df).replace([np.inf, -np.inf], np.nan)
# 需要百分比格式的话乘100即可
# cv_pct_df = cv_df * 100

如果你想保留原来的dstack实现逻辑，只需要在转numpy数组时显式指定数值类型，即可解决报错：

# 显式指定dtype为numpy原生float64
arr1 = df1.to_numpy(dtype=np.float64)
arr2 = df2.to_numpy(dtype=np.float64)
# ddof=1对应样本标准差，和pandas逻辑对齐
stan_dev = np.dstack((arr1, arr2)).std(axis=2, ddof=1)
# 转回DataFrame时保留原始索引和列名
std_df = pd.DataFrame(stan_dev, index=df1.index, columns=df1.columns)

内容的提问来源于stack exchange，提问作者anony1414