如何按分组匹配实现Pandas DataFrame列与分组值的批量减法？

当然有高效的矩阵化实现方式，完全不需要写循环！利用pandas的广播特性和列映射能力，几行代码就能搞定，效率比循环高太多了。

思路解析 #

核心是先把分组字典转换成和主DataFrame列对应的映射关系，然后让分组值DataFrame按照这个映射关系重新排列列，最后直接和主DataFrame做减法——pandas会自动帮我们对齐索引和列的对应关系，完成逐列的减法操作。

完整实现代码 #

先把你的示例代码放出来，再加上实现逻辑：

import pandas as pd

# 构建主DataFrame
df = pd.DataFrame(index=pd.date_range("1/1/2018","1/10/2018"), columns= ["AAA","BBB","CCC","DDD"])
df["AAA"]=range(100,110)
df["BBB"]=range(200,210)
df["CCC"]=range(300,310)
df["DDD"]=range(400,410)

# 分组定义
Group_Dict = {"AAA":"Group1", "BBB":"Group2", "CCC":"Group1", "DDD":"Group2"}
# 分组值DataFrame
group_value = pd.DataFrame(index=pd.date_range("1/1/2018","1/10/2018"), columns=["Group1","Group2"])
group_value["Group1"]=range(10,29)[::2]
group_value["Group2"]=range(100,600)[::50]

# 方案1：利用numpy数组广播
group_map = pd.Series(Group_Dict)
result = df - group_value.loc[:, group_map].values

# 方案2：更直观的列对齐方式（推荐）
result = df - group_value[group_map].set_axis(df.columns, axis=1)

代码解释 #

• group_map = pd.Series(Group_Dict)：把分组字典转换成Series，索引是主DataFrame的列名，值是对应的分组名称，这样就建立了列和分组的映射关系。
• group_value[group_map]：按照group_map的顺序从group_value中取出对应的分组值列，此时列顺序和主DataFrame完全对应（AAA对应Group1，BBB对应Group2，以此类推）。
• set_axis(df.columns, axis=1)：把重新排列后的分组值DataFrame的列名改成主DataFrame的列名，这样做减法时pandas会直接按列名对齐，自动完成逐列的减法操作。

运行后得到的result就是你想要的每列减去对应分组值的结果，完全符合预期。

内容的提问来源于stack exchange，提问作者Research100