You need to enable JavaScript to run this app. Pandas批量计算各列相对均值的百分比差异并生成带_avg后缀新列方法
优惠活动
大模型
产品
解决方案
定价
更多

Pandas批量计算各列相对均值的百分比差异并生成带_avg后缀新列方法

批量生成相对列均值百分比差异衍生列的实现方案

推荐实现(向量化运算,性能最优)

依托Pandas的广播计算机制,无需逐列编写计算逻辑,即可一次性完成所有列的衍生计算,自动匹配列名后缀规则。

核心实现代码

import pandas as pd

# 构建示例数据
d = {'var1': [1, 2], 'var2': [3,4]}
df = pd.DataFrame(data=d)

# 批量计算全列的相对均值百分比差异
derived_df = (df - df.mean()) / df.mean()
# 为衍生列统一追加"_avg"后缀
derived_df.columns = [f"{col}_avg" for col in derived_df.columns]
# 将衍生列拼接至原数据框
df = pd.concat([df, derived_df], axis=1)

结果验证

针对示例场景:

  • var1列均值为1.5,计算得到的衍生列值为-0.33、0.33
  • var2列均值为3.5,计算得到的衍生列值为-0.14、0.14
    完全匹配预期输出要求。

灵活调整场景

如果数据框中包含不需要计算的非数值列(如文本、分类标签、日期列),可提前筛选目标计算列,避免对非数值列触发计算报错:

# 自动筛选所有数值类型列作为计算目标,也可手动传入需要计算的列名列表
target_cols = df.select_dtypes(include='number').columns
# 仅对目标列执行批量计算
derived_df = (df[target_cols] - df[target_cols].mean()) / df[target_cols].mean()
derived_df.columns = [f"{col}_avg" for col in derived_df.columns]
df = pd.concat([df, derived_df], axis=1)

方案优势

  • 全流程基于Pandas底层向量化运算实现,即便面对数百上千列的宽表,计算速度也远快于逐列循环赋值
  • 衍生列命名逻辑统一,完全按照原列名追加_avg后缀,不存在逐列编写时的命名错漏、逻辑不一致问题
  • 支持灵活调整计算范围,适配多类型字段混合的业务宽表场景

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

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.10.30 05:15:04