如何以嵌套方式对Pandas Series执行运算？高效替代循环方案

嘿，这个需求很常见！你想要的其实是两个Series的笛卡尔积式元素运算——也就是让第一个Series的每个元素都和第二个Series的所有元素运算一遍，完全不用低效的for循环，用Pandas或NumPy就能高效搞定，还能轻松扩展到其他函数。

先解决乘法的需求 #

方法1：用Pandas的交叉合并（直观易读）

从Pandas 1.2.0版本开始，支持how='cross'的合并方式，可以直接生成两个Series的笛卡尔积，之后再做乘法就行：

import pandas as pd

s1 = pd.Series([1, 2, 3], name='num1')
s2 = pd.Series([4, 5, 6], name='num2')

# 生成笛卡尔积DataFrame
cross_product = pd.merge(s1, s2, how='cross')
# 计算乘积并重置索引
result = cross_product['num1'] * cross_product['num2']
print(result.reset_index(drop=True))

输出就是你想要的：

0     4
1     5
2     6
3     8
4    10
5    12
6    12
7    15
8    18
dtype: int64

方法2：用NumPy广播（性能最优，适合大数据集）

NumPy的广播机制可以把一维数组扩展成二维矩阵，做外积之后再展平，底层是C实现的向量化操作，速度比Pandas合并快很多，大数据集下优势明显：

import pandas as pd
import numpy as np

s1 = pd.Series([1, 2, 3])
s2 = pd.Series([4, 5, 6])

# 用广播生成外积矩阵，再展平成一维Series
result = pd.Series((s1.values[:, np.newaxis] * s2.values).ravel())
print(result)

这个方法的输出和上面完全一致，但处理百万级别的数据时，速度会比for循环快几十倍甚至上百倍。

扩展到其他函数 #

不管是加法、除法这类内置运算，还是自定义函数，都可以用上面的思路实现：

示例1：加法运算

result_add = pd.Series((s1.values[:, np.newaxis] + s2.values).ravel())

示例2：自定义函数（比如计算两数平方和）

def calc_square_sum(x, y):
    return x**2 + y**2

result_custom = pd.Series(calc_square_sum(s1.values[:, np.newaxis], s2.values).ravel())

只要你的自定义函数支持NumPy数组的向量化操作，就能直接套用这个模式。

为什么不用for循环？ #

Python的for循环是逐元素迭代，每次迭代都有Python层面的开销，而NumPy/Pandas的向量化操作是把整个数组交给底层C代码批量处理，没有循环开销，大数据集下的性能差距会非常夸张——比如处理100万元素的Series，向量化操作可能几秒完成，for循环要跑几分钟甚至更久。

内容的提问来源于stack exchange，提问作者Hakan Utku Özdemir