Pandas跨DataFrame按匹配ID实现数组列逐元素除法的实现问题

• 逻辑完全错位：你写的赋值语句既没实现逐元素除法的计算，还因为手滑叠了两层等号，本质是把df1的数组值直接覆盖给df2，和想要的“df2数组除以df1数组”的目标完全不沾边。
• 触发了pandas链式索引的坑：写df.loc[筛选条件]['列名']这种拆成两步的链式索引，返回的一般是原数据的副本，不是内存里的原对象，你改的只是副本里的值，根本动不到原df2的内容，这也是很多人改DataFrame改了半天没反应的最常见原因，pandas甚至会主动抛SettingWithCopyWarning提醒这个问题。

最高效的向量化写法（不用手写循环，运行速度比嵌套循环快几十倍） #

核心思路是先把df1里每个id对应的除数数组提取成映射，之后不用反复扫表查值，直接对df2批量计算就行：

1. 先做id和对应除数数组的映射，省掉循环里重复筛选的麻烦：

import numpy as np

# 把df1的id和对应的array_col转成字典，查值一步到位
id_divisor_map = dict(zip(df1['id'], df1['array_col']))

2. 定义逐元素除法的处理逻辑，直接批量更新df2的array_col列：

def calc_divided_arr(row):
    # 把列表转成numpy数组方便逐元素计算
    dividend = np.array(row['array_col'])
    divisor = np.array(id_divisor_map[row['id']])
    # 分母加1e-8是为了避免数组里有0的时候触发除零错误，结果转回列表和原数据格式对齐
    return list(dividend / (divisor + 1e-8))

# 一行完成全表更新
df2['array_col'] = df2.apply(calc_divided_arr, axis=1)

非要用循环的正确写法 #

如果场景特殊必须写循环，一定要避开链式索引的坑，通过行索引直接定位原数据修改：

id_divisor_map = dict(zip(df1['id'], df1['array_col']))

# 遍历df2的每一行，用行索引直接定位修改
for row_idx, row in df2.iterrows():
    current_id = row['id']
    current_dividend = np.array(row['array_col'])
    current_divisor = np.array(id_divisor_map[current_id])
    # 注意：行索引、列名必须写在同一个.loc的方括号里，绝对不要拆成链式选
    df2.loc[row_idx, 'array_col'] = list(current_dividend / (current_divisor + 1e-8))

小提示 #

• 原代码每轮循环都要扫一遍全表找id匹配的行，数据量一大就会卡的要死，提前把id对应关系做成字典，能省掉90%的重复计算。
• 如果除数数组里存在0值，直接算会出无穷大或者空值，加个1e-8的极小值就能规避这个报错。

内容的提问来源于stack exchange，提问作者user9996043