如何使用自定义函数计算单DataFrame列两两值生成对应矩阵

核心匹配规则 #

要让输出结构和pandas内置相关矩阵（.corr()的输出）完全一致，只需要满足两个要求：

• 输出为二维方阵，行索引、列索引完全复用原DataFrame的列名，不做任何修改
• 每个矩阵位置(i,j)的取值，就是传入第i列和第j列给calc_func计算得到的标量结果，不做任何维度偏移
  如果原DataFrame总共有937列，最终输出的矩阵维度就会严格为(937,937)。

实现步骤 #

1. 定义你的自定义计算函数 #

保证函数入参形式严格匹配要求：两个pandas Series（对应传入的两列数据），返回单个浮点数作为计算结果，计算过程不引入行维度的额外逻辑。

import pandas as pd
import numpy as np

# 替换为你自己的calc_func逻辑即可，入参格式不要改动
def calc_func(col1: pd.Series, col2: pd.Series) -> float:
    # 举个占位示例：计算两列对应位置的欧氏距离，你可以换成自己的计算逻辑
    return np.sqrt(np.sum((col1 - col2)**2))

2. 生成和相关矩阵结构完全一致的结果矩阵 #

完全按照pandas相关系数的遍历逻辑实现，避免结构错位：

# 提取原数据所有列名，和corr()输出的索引/列名完全对齐
all_cols = df.columns
# 初始化和列数等长的空方阵
custom_corr_like = pd.DataFrame(
    index=all_cols, 
    columns=all_cols, 
    dtype=np.float64
)

# 逐列遍历计算两两结果
for current_col in all_cols:
    # 计算当前列和所有其他列的calc_func值
    custom_corr_like[current_col] = df.apply(
        lambda target_col: calc_func(current_col, target_col),
        axis=0
    )

运行完之后，你可以直接用custom_corr_like.shape校验，输出就是原列数对应的方阵规模，和直接调用df.corr()得到的输出形状、索引、列名完全一致。

性能优化说明 #

如果你的calc_func计算结果是对称的（即calc_func(a,b) == calc_func(b,a)），可以只计算方阵上三角区域的结果，再镜像填充到下三角，能把整体计算量压缩一半，不影响最终输出结构：

for idx_i, col_i in enumerate(all_cols):
    for idx_j in range(idx_i, len(all_cols)):
        col_j = all_cols[idx_j]
        calc_result = calc_func(col_i, col_j)
        # 对称位置填充相同值
        custom_corr_like.iloc[idx_i, idx_j] = calc_result
        custom_corr_like.iloc[idx_j, idx_i] = calc_result

注意：你提供的样本数据带有多层级列名（比如Reporter ISO作为顶层列名的结构），不需要手动拆解列名，直接把整个DataFrame传入上述逻辑即可，多层列名会自动作为方阵的索引和列名，和pandas相关矩阵对多层列的处理逻辑完全一致。

内容的提问来源于stack exchange，提问作者Uldana Duisenaly