Pandas如何计算不同分类变量对应各数值列的两两差值

直接用Pandas+itertools即可实现需求，自动适配1000列的场景，且完全符合条目数不一致时的截断规则。

完整可运行代码 #

import pandas as pd
from itertools import combinations

# ---------------------- 以下替换为你自己的DataFrame读取逻辑 ----------------------
# 模拟示例数据
data = {
    'Item': ['A', 'B', 'C', 'D'],
    'Value1': [12, 14, 10, 17],
    'Value2': [24, 27, 32, 30],
    'Value3': [14, 13, 17, 15],
    'Value4': [50, 48, 89, 23],
    'Valuen': [43, 47, 49, 40]
}
df = pd.DataFrame(data)
# -----------------------------------------------------------------------------

# 按Item列分组
grouped = df.groupby('Item')
item_list = list(grouped.groups.keys())
# 自动识别所有数值列，不用手动列1000个列名
value_cols = df.columns.drop('Item')
result_buffer = []

# 遍历所有不重复的两两Item组合，不会生成B-A这类重复配对
for item_a, item_b in combinations(item_list, 2):
    # 取出两个分类的所有数据，重置索引避免索引错位
    df_a = grouped.get_group(item_a).reset_index(drop=True)
    df_b = grouped.get_group(item_b).reset_index(drop=True)
    # 取两个分类的最小行数作为有效计算长度
    valid_length = min(len(df_a), len(df_b))
    # 取前valid_length行计算差值，这里是item_a减item_b，需要绝对值可末尾加.abs()
    # 若每个Item有多行需要汇总差值，可在末尾加.sum()，即diff = (df_a... - df_b...).sum()
    diff_value = df_a.loc[:valid_length-1, value_cols] - df_b.loc[:valid_length-1, value_cols]
    # 写入配对标识
    diff_value['Difference'] = f"{item_a}-{item_b}"
    result_buffer.append(diff_value)

# 拼接所有结果，调整列顺序符合预期输出格式
final_result = pd.concat(result_buffer, ignore_index=True)
final_result = final_result[['Difference'] + list(value_cols)]

# 输出查看结果
print(final_result)

核心逻辑说明 #

• 自动识别所有数值列，不管是10列还是1000列都不需要手动修改列名配置
• 用combinations生成不重复的两两配对，避免出现重复的反向配对（如不会同时生成A-B和B-A）
• 自动处理两个分类条目数不一致的场景，按最小条目数截断后再计算差值，超出部分直接丢弃
• 支持单个Item对应多条数据的场景：若需要保留每行的对应差值直接运行代码即可；若需要汇总所有行的差值总和，放开代码中.sum()的注释即可

内容的提问来源于stack exchange，提问作者IronMaiden