Python pandas DataFrame嵌套循环实现逐行计算的问题求助

首先，你代码里的内层循环写法有几个小问题需要修正：

• 列名对应错误：你的数据列是max_move_%，但代码里写的是max_move
• range的参数格式不对：range(start, stop)是左闭右开的，如果你要包含max_move_%的正数，得把stop设为max_move + 1
• 获取当前行值的方式错误：应该用row['max_move_%']，而不是df_merged['max_move'][row]

基于你现有iterrows的修正版本 #

如果你想继续用iterrows的方式，下面是可以正常运行的代码：

import pandas as pd

# 你的示例数据
df_merged = pd.DataFrame({
    'product': [1],
    'price': [100],
    'max_move_%': [10]
})

# 用来存储所有结果行的列表
result = []

# 外层循环遍历每一行
for _, row in df_merged.iterrows():
    current_max = row['max_move_%']
    # 内层循环：从 -current_max 到 current_max，包含两端值
    for true_move in range(-current_max, current_max + 1):
        # 计算新价格：按照示例，100对应-10得到90，公式是 price * (1 + true_move/100)
        price_new = row['price'] * (1 + true_move / 100)
        # 把当前行信息和新生成的列打包成字典，加入结果列表
        result.append({
            'product': row['product'],
            'price': row['price'],
            'max_move_%': row['max_move_%'],
            'true_move': true_move,
            'price_new': price_new
        })

# 把结果列表转成DataFrame
final_df = pd.DataFrame(result)
print(final_df)

运行后会生成包含true_move从-10到10的所有行，对应正确的price_new值。

更高效的Pandas风格实现 #

不过要注意，iterrows在处理大数据集时效率很低，推荐用Pandas原生的向量化操作或者explode方法，代码更简洁且速度更快：

方法1：用explode展开列表

import pandas as pd

df_merged = pd.DataFrame({
    'product': [1],
    'price': [100],
    'max_move_%': [10]
})

# 给每行生成包含所有true_move值的列表
df_merged['true_move'] = df_merged['max_move_%'].apply(lambda x: list(range(-x, x + 1)))
# 展开列表列，把每个列表元素变成单独的行
final_df = df_merged.explode('true_move', ignore_index=True)
# 计算price_new列
final_df['price_new'] = final_df['price'] * (1 + final_df['true_move'] / 100)

# 调整列顺序（可选）
final_df = final_df[['product', 'price', 'max_move_%', 'true_move', 'price_new']]
print(final_df)

方法2：用apply生成子DataFrame再合并

def expand_single_row(row):
    max_move = row['max_move_%']
    # 生成所有true_move值
    true_moves = range(-max_move, max_move + 1)
    # 构造当前行对应的扩展DataFrame
    return pd.DataFrame({
        'product': row['product'],
        'price': row['price'],
        'max_move_%': row['max_move_%'],
        'true_move': true_moves,
        'price_new': row['price'] * (1 + pd.Series(true_moves)/100)
    })

# 对每行应用函数，合并所有子DataFrame
final_df = pd.concat(df_merged.apply(expand_single_row, axis=1).tolist(), ignore_index=True)
print(final_df)

这两种方法都避免了显式的嵌套循环，更符合Pandas的设计理念，数据量越大优势越明显。

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