如何基于user_id键对两个Pandas DataFrame执行除法运算？

嘿，这个问题我之前处理类似需求时碰到过！其实不用折腾分组操作，Pandas有更简洁直接的方式解决，先给你理清楚思路：

首先先把两个示例DataFrame的代码贴出来，方便大家复现场景：

import pandas as pd

# 第一个包含用户、子项和得分的DataFrame
df1 = pd.DataFrame({
    'user_id': [39, 39, 40, 40, 40],
    'sub_id': [16, 4, 1, 2, 3],
    'score': [1, 1, 3, 3, 3]
})

# 第二个包含用户总得分的DataFrame
df2 = pd.DataFrame({
    'user_id': [39, 40],
    'score': [2, 30]
})

你说的用div操作只返回首个匹配项的问题，本质是因为div默认按索引对齐，而df2的索引是user_id，但df1的索引是默认的0、1、2...，只有df1中索引和df2索引（user_id）一致的行才能匹配上，其余自然返回NaN。

最简洁的解决方案：用map映射计算 #

先把df2转换成以user_id为键的Series，然后用df1的user_id列映射对应的用户总得分，最后做除法即可：

# 构建user_id到总得分的映射Series
user_total_scores = df2.set_index('user_id')['score']

# 逐行计算归一化得分
df1['normalized_score'] = df1['score'] / df1['user_id'].map(user_total_scores)

运行后得到的结果完全符合预期：

备选方案：先合并再计算 #

如果需要保留df2中的其他列（假设后续有扩展需求），可以先通过merge按user_id合并两个DataFrame，再做除法：

# 合并两个DF，用后缀区分原得分和用户总得分
merged_df = df1.merge(df2, on='user_id', suffixes=('_sub', '_total'))

# 计算归一化得分
merged_df['normalized_score'] = merged_df['score_sub'] / merged_df['score_total']

# 整理回原df1的结构（可选）
result_df = merged_df[['user_id', 'sub_id', 'score_sub', 'normalized_score']].rename(columns={'score_sub': 'score'})

关于分组操作 #

分组当然也能实现，但代码更繁琐，性能也不如上面两种方法（数据量大时差距明显），这里也贴出来供你参考：

def normalize_group(group):
    # 获取当前分组对应的用户总得分
    total_score = df2.loc[df2['user_id'] == group.name, 'score'].iloc[0]
    group['normalized_score'] = group['score'] / total_score
    return group

result_df = df1.groupby('user_id').apply(normalize_group)

总结一下，优先用map的方法，简洁高效；merge适合有扩展需求的场景；分组操作除非特殊情况，否则没必要用～

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