如何通过列索引而非列名在DataFrame中实现列对相除并覆盖原列

没问题，用列索引来完成这个需求完全可行，我给你两种实用的实现方式，都是基于Pandas的操作，贴合你的需求：

先明确索引对应关系 #

首先要注意，Pandas的列索引是从0开始计数的，所以你说的「第4列」对应的是索引3，后续每一对的列索引就是(3,4)、(5,6)……以此类推。

方法一：循环遍历处理每一对列 #

这种方式逻辑直观，适合理解，也方便自定义每一步的处理逻辑：

先构造一个示例DataFrame来演示效果：

import pandas as pd

# 示例数据：前3列是普通列，后面8列是4对分子分母列
df = pd.DataFrame({
    'col1': [1, 2, 3],
    'col2': ['x', 'y', 'z'],
    'col3': [True, False, True],
    'num1': [20, 40, 60],
    'den1': [2, 4, 6],
    'num2': [15, 30, 45],
    'den2': [3, 6, 9],
    'num3': [8, 16, 24],
    'den3': [2, 4, 6],
    'num4': [10, 20, 30],
    'den4': [5, 10, 15]
})

然后用循环处理每一对列：

# 从索引3（第4列）开始，每2步取一个列索引（每对的第一个列）
for col_idx in range(3, df.shape[1], 2):
    # 确保分母列存在（避免最后一列是单独的分子列报错）
    if col_idx + 1 < df.shape[1]:
        # 用iloc定位列，执行除法并覆盖原分子列
        df.iloc[:, col_idx] = df.iloc[:, col_idx] / df.iloc[:, col_idx + 1]
        # 如果你不需要保留分母列，可以在这里删除它：
        # df.drop(df.columns[col_idx + 1], axis=1, inplace=True)

方法二：向量化操作（更高效） #

如果你的DataFrame数据量很大，推荐用这种向量化的方式，速度会比循环快很多：

# 直接定位所有分子列（从索引3开始，步长2）和分母列（从索引4开始，步长2）
numerator_cols = df.iloc[:, 3::2]
denominator_cols = df.iloc[:, 4::2]

# 逐行执行除法，结果直接覆盖原分子列
df.iloc[:, 3::2] = numerator_cols.div(denominator_cols.values, axis=0)

额外提示：处理除数为0的情况 #

如果你的数据里可能存在分母为0的情况，可以用div方法的fill_value参数来避免报错或生成NaN：

# 循环方式里的处理
df.iloc[:, col_idx] = df.iloc[:, col_idx].div(df.iloc[:, col_idx + 1], fill_value=0)

# 向量化方式里的处理
df.iloc[:, 3::2] = numerator_cols.div(denominator_cols.values, axis=0, fill_value=0)

内容的提问来源于stack exchange，提问作者Liam Welford