如何对不同列的Pandas DataFrame进行类Zip方式的相加操作

你想要的其实是先对两个DataFrame做笛卡尔积组合，再基于原列进行指定的相加计算，完全不用逐行循环处理，用Pandas的内置方法就能高效实现。

步骤详解 #

1. 构建示例数据
   先把你的示例DataFrame创建出来：

   import pandas as pd
   
   df1 = pd.DataFrame({'X': [1, 1], 'a': [1, 2], 'b': [2, 3]})
   df2 = pd.DataFrame({'X': [1, 2], 'c': [1, 2]})
   

2. 笛卡尔积合并
   用merge(how='cross')实现两个DataFrame的全量组合（也就是你说的类Zip的配对方式）：

   df_combined = df1.merge(df2, how='cross')
   

   这一步会自动把df1的每一行和df2的每一行进行配对，得到4行数据，正好对应你期望的行数。

3. 调整列与计算目标值
   接下来按照你的期望结果调整列：

   • 保留df1的X值
   • 保留df1的a值
   • 把df2的c作为新的b列
   • 新的c列是原df1的b加上df2的c

   用assign()做向量化计算（比逐行循环快N倍）：

   result = df_combined.assign(
       X=df_combined['X_x'],  # 保留df1的X值
       b=df_combined['c'],    # 替换b为df2的c
       c=df_combined['b_x'] + df_combined['c']  # 计算原b与c的和
   ).drop(columns=['X_x', 'X_y', 'b_x'])  # 删掉中间冗余列
   

4. 调整列顺序
   最后把列调整成你期望的顺序：

   result = result[['X', 'a', 'b', 'c']]
   

最终结果 #

运行后得到的result就是你想要的：

X  a  b  c
0  1  1  1  3
1  1  1  2  4
2  1  2  1  4
3  1  2  2  5

补充说明 #

如果你的需求是仅按X值匹配后做组合（比如只让df1和df2中X相同的行配对），只需要把合并方式改成按X关联：

df_combined = df1.merge(df2, on='X')

不过这种方式下，因为df1只有X=1的行，df2中X=2的行会被过滤掉，最终只会得到2行数据，不符合你的期望结果，所以用全量笛卡尔积的方式更适合你的场景。

内容的提问来源于stack exchange，提问作者umn