迭代pandas DataFrame列时如何使用lambda函数实现跨索引计算

最优向量化方案（推荐） #

pandas 内置的向量化操作底层由C实现，执行效率远高于Python层面的for循环、map/reduce等高阶函数，是处理这类需求的首选。你需要的相邻元素相乘逻辑可以通过shift()方法快速实现：

import pandas as pd
sensor_data = {'Sensor': ['A', 'B', 'C', 'D', 'E'], 'val': [20, 2 , 2, 19, 18]}
df = pd.DataFrame(sensor_data)

# 跨索引相邻相乘计算
cross_index_computation_result = (df['val'] * df['val'].shift(1)).dropna().astype(int).tolist()
print(cross_index_computation_result)
# 输出：[40, 4, 38, 342]

逻辑说明 #

• df['val'].shift(1)会将val列的所有元素向下偏移1位，偏移后的第i个元素对应原始序列的第i-1个元素，首位自动填充为NaN
• 两列直接相乘即可得到所有相邻元素的乘积结果，再通过dropna()去掉首位的NaN值，转成列表即可得到目标结果

高阶函数实现方案（如果需要用map类逻辑） #

如果你需要用类似你示例中的map逻辑实现，可以通过zip配对相邻元素后计算，实现如下：

cross_index_computation_result = list(map(lambda x: x[0]*x[1], zip(df['val'][:-1], df['val'][1:])))

逻辑说明 #

• df['val'][:-1]是去掉最后一个元素的原始序列，df['val'][1:]是去掉第一个元素的原始序列
• 通过zip将两个序列按位置配对，每对元素就是相邻的两个值，传入lambda相乘即可得到结果

内容的提问来源于stack exchange，提问作者raphael