本文介绍如何对多个结构相同的 dataframe 批量执行基于行标签（如产品名）的逐元素乘法运算，核心是将价格映射表设为索引，利用 pandas 广播机制实现简洁、高效、无循环的向量化操作。
在实际数据分析中，常需对一组同构 DataFrame（如不同时间段的订单记录）统一应用同一组权重或单价（如各品类单位成本）。若机械地遍历、对齐、逐列计算，不仅代码冗长，还易因索引不匹配引发 ValueError 或隐式错误。最优解是让数据“自对齐”——将公共维度（如 Prod）设为索引，再借助 Pandas 的索引对齐与广播规则完成自动匹配计算。
以下以三张订单表 recs_df1/recs_df2/recs_df3 与一张成本表 costs_df 为例，演示两种专业级实现方式：
✅ 推荐方案：索引对齐 + 向量化广播（一行解决）
import pandas as pd
import numpy as np
# 构建示例数据（关键：所有 DataFrame 以 'Prod' 为 index）
recs_df1 = pd.DataFrame({'Ord1': [4, 3, 2], 'Ord2': [2, 1, 3], 'Ord3': [1, 5, 4]},
index=['Toys', 'Candy', 'Décor'])
recs_df2 = pd.DataFrame({'Ord1': [1, 4, 2], 'Ord2': [0, 1, 3], 'Ord3': [6, 5, 4]},
index=['Toys', 'Candy', 'Décor'])
recs_df3 = pd.DataFrame({'Ord1': [1, 0, 1], 'Ord2': [2, 1, 3], 'Ord3': [3, 0, 4]},
index=['Toys', 'Candy', 'Décor'])
costs_df = pd.DataFrame({'Price': [2.0, 1.0, 3.0]}, index=['Toys', 'Candy', 'Décor'])
# 批量处理：利用索引自动对齐，广播乘法（返回 list of DataFrames）
dfs = [recs_df1, recs_df2, recs_df3]
new_dfs = [df.multiply(costs_df['Price'], axis=0) for df in dfs]
# 验证结果（例如 new_dfs[0] 即 new_df1）
print(new_dfs[0])✅ 优势：df.multiply(..., axis=0) 显式指定按行（index）广播，安全、可读、无需转换为 NumPy；索引自动对齐确保 Toys×2.0, Candy×1.0, Décor×3.0 精准匹配，即使原始数据顺序错乱也无影响。
⚠️ 替代方案：NumPy 广播（需谨慎使用）
# 仅当确认索引完全一致且无需保留 DataFrame 属性时可用
new_dfs_numpy = [df * costs_df['Price'].values.reshape(-1, 1) for df in dfs]
# 注意：结果为 ndarray，需手动转回 DataFrame 并恢复索引列
new_dfs = [pd.DataFrame(arr, index=df.index, columns=df.columns)
for arr, df in zip(new_dfs_numpy, dfs)]⚠️ 风险提示：costs_df.to_numpy() 返回二维数组，直接 * df 可能触发隐式广播（如 (3,1) * (3,3)），但会丢失索引和列名信息，且一旦 costs_df 索引顺序与 df 不一致，结果将错误。强烈建议优先使用 .multiply() 方法。
? 关键注意事项
- 索引一致性是前提：所有 recs_df* 和 costs_df 的 index 必须包含完全相同的标签（如 ['Toys','Candy','Décor']），缺失值将导致对应行结果为 NaN。
- 避免原地修改：使用 df.copy() 或链式操作确保原始数据不受影响。
- 扩展性设计：若需保存为字典（如 {'df1': new_df1, 'df2': new_df2}），可改用字典推导式：{f'df{i+1}': df.multiply(costs_df['Price'], axis=0) for i, df in enumerate(dfs)}
- 性能对比：对百个以上 DataFrame，向量化方案比显式 for col in df 循环快 5–10 倍，且内存更优。
掌握索引驱动的广播思维，是高效处理批量 DataFrame 的基石——它让代码从“手动对齐的脆弱逻辑”升维为“数据自描述的健壮范式”。
