如何高效实现DataFrame中两数组的全组合元素求和？

嘿，这个需求完全不用嵌套for循环，用Pandas或Numpy的向量化操作就能高效搞定，比循环快得多，尤其是数据量大的时候！

先明确数据场景 #

假设你的两个数组分别存在两个Pandas DataFrame（或者Series）里，比如：

import pandas as pd

# 示例数据
df_array1 = pd.DataFrame({'val': [1, 2, 3]})
df_array2 = pd.DataFrame({'val': [10, 20, 30]})

方案1：纯Pandas实现（笛卡尔积合并+求和） #

利用Pandas的merge生成两个数组的笛卡尔积，再直接列相加：

# 添加辅助列用于笛卡尔积合并
df_array1['temp_key'] = 1
df_array2['temp_key'] = 1

# 生成笛卡尔积
cartesian_df = pd.merge(df_array1, df_array2, on='temp_key')

# 计算对应元素的和，转成你要的列表格式
array3 = (cartesian_df['val_y'] + cartesian_df['val_x']).tolist()

# 清理临时辅助列（可选）
df_array1.drop('temp_key', axis=1, inplace=True)
df_array2.drop('temp_key', axis=1, inplace=True)

执行后array3就是[11, 12, 13, 21, 22, 23, 31, 32, 33]，完全符合你的需求。

方案2：Numpy广播（更高效，推荐） #

因为Pandas底层依赖Numpy，用广播机制可以直接实现元素的笛卡尔积相加，速度更快：

import numpy as np

# 提取数组并调整形状，触发广播
arr1 = df_array1['val'].values.reshape(-1, 1)  # 转成列向量：[[1],[2],[3]]
arr2 = df_array2['val'].values.reshape(1, -1)  # 转成行向量：[[10,20,30]]

# 广播相加后扁平化，转成列表
array3 = (arr2 + arr1).flatten().tolist()

这个方法没有额外的DataFrame操作，完全是底层数值计算，处理大规模数据时优势特别明显。

为什么比循环高效？ #

Python的for循环是解释执行的，每一步都要做Python层面的操作；而向量化操作是在C语言层面执行的，批量处理数据，速度能差几十甚至上百倍，数据量越大差距越明显。

内容的提问来源于stack exchange，提问作者Ivanovitch