Pandas：两个数据帧的行乘法答案

【问题标题】：Pandas: rowwise multiplication of two dataframesPandas：两个数据帧的行乘法
【发布时间】：2020-12-05 02:07:41
【问题描述】：

我有两个数据框； A 包含分配分数，B 包含每小时量。为了在给定小时内为每条总线获得正确的音量，我需要将 A 与数据帧 B 的每一行相乘。对于给定的小时 (x)，这将是 A * B.loc[x] 的简单乘法。

A =       col_a  col_b  col_c   col_d   col_e               
     0    0.0    0.0    0.0     0.0     1.0
     1    0.0    0.0    1.0     0.0     0.0
     2    0.0    1.0    0.0     0.5     0.0
     3    0.5    0.0    0.0     0.5     0.0
     4    0.5    0.0    0.0     0.0     0.0

B =     col_a   col_b   col_c   col_d   col_e
    0   12881   598     154     180     0.0 
    1   12881   680     154     180     0.0
    2   11617   806     154     180     0.0
    3   12991   100     154     180     0.0

但是，我想一次对每个小时进行一次乘法运算，并创建一个大型多索引数据帧 C。

C =          col_a   col_b  col_c  col_d  col_e
    hr  bus                     
    0   0    0.0     0.0    0.0    0.0   0.0
        1    0.0     0.0    154.0  0.0   0.0
        2    0.0     598.0  0.0    90.0  0.0
        3    6440.5  0.0    0.0    90.0  0.0
        4    6440.5  0.0    0.0    0.0   0.0
    1   0    0.0     0.0    0.0    0.0   0.0
        1    0.0     0.0    154.0  0.0   0.0
        2    0.0     680.0  0.0    90.0  0.0

我设法通过列表操作创建了这个数据帧并覆盖了结果数据帧的索引。我不认为这是一个很好的做法，想知道是否有更好的方法不需要覆盖索引？

dfs = [A.mul(B.loc[i]) for i in B.index]
C = pandas.concat(dfs)

C.index = pandas.MultiIndex.from_product([B.index, A.index], names=['hr', 'bus'])

【问题讨论】：

标签： python python-3.x pandas dataframe multiplication

【解决方案1】：

第一个“复制”B DataFrame，重新格式化索引：

BB = pd.DataFrame(np.repeat(B.values, A.index.size, axis=0), columns=B.columns,
    index=pd.MultiIndex.from_product((B.index, A.index), names=['hr', 'bus']))

然后计算结果：

result = A.mul(BB, level=1)

结果是：

         col_a  col_b  col_c  col_d  col_e
hr bus                                    
0  0       0.0    0.0    0.0    0.0    0.0
   1       0.0    0.0  154.0    0.0    0.0
   2       0.0  598.0    0.0   90.0    0.0
   3    6440.5    0.0    0.0   90.0    0.0
   4    6440.5    0.0    0.0    0.0    0.0
1  0       0.0    0.0    0.0    0.0    0.0
   1       0.0    0.0  154.0    0.0    0.0
   2       0.0  680.0    0.0   90.0    0.0
   3    6440.5    0.0    0.0   90.0    0.0
   4    6440.5    0.0    0.0    0.0    0.0
2  0       0.0    0.0    0.0    0.0    0.0
   1       0.0    0.0  154.0    0.0    0.0
   2       0.0  806.0    0.0   90.0    0.0
   3    5808.5    0.0    0.0   90.0    0.0
   4    5808.5    0.0    0.0    0.0    0.0
3  0       0.0    0.0    0.0    0.0    0.0
   1       0.0    0.0  154.0    0.0    0.0
   2       0.0  100.0    0.0   90.0    0.0
   3    6495.5    0.0    0.0   90.0    0.0
   4    6495.5    0.0    0.0    0.0    0.0

【讨论】：