本文详解为何直接用布尔索引提取行后调用 .div() 会返回全 NaN，以及如何通过设置索引、精准定位和向量化操作实现安全、高效的行间浮点列除法。
本文详解为何直接用布尔索引提取行后调用 `.div()` 会返回全 nan，以及如何通过设置索引、精准定位和向量化操作实现安全、高效的行间浮点列除法。
在 Pandas 中对两行数据的浮点列（如 X、Y）执行逐元素除法（例如 a / b），看似简单，却极易因索引不匹配而得到全 NaN 结果——这正是原代码中 df1.iloc[:, 1:].div(df2.iloc[:, 1:], axis=0) 失败的根本原因。
? 问题根源：索引对齐机制
Pandas 的算术运算（如 .div()）默认基于 index 和 columns 进行严格对齐，而非按位置（position）计算。当使用布尔索引 df[df['A']=='a'] 时，返回的 df1 和 df2 仍保留原始行号（如 0 和 1），但二者索引并不重合：
df1 = df[df['A']=='a'] # index: [0] df2 = df[df['A']=='b'] # index: [1]
此时 df1.iloc[:, 1:].div(df2.iloc[:, 1:], axis=0) 试图让 df1 的第 0 行与 df2 的第 0 行对齐——但 df2 根本没有索引 0，导致所有列对齐失败，结果全为 NaN。axis=1 同理，因列名虽一致，但行索引无法广播匹配，依然失效。
✅ 正确解法：以语义键为索引，显式对齐
最简洁、健壮的方式是将标识列（如 'A'）设为 DataFrame 索引，使逻辑键（'a', 'b'）直接成为行标签，从而支持 loc 的精确、可读定位：
import pandas as pd
ddd = {
'A': ['a', 'b', 'c', 'd'],
'X': [100.0, 20.0, 5.0, 2.0],
'Y': [6.0, 2.0, 1.0, 1.0]
}
df = pd.DataFrame(ddd).set_index('A') # 关键：设 A 为索引
# 方式1：单次配对，返回 Series 列表
result_list = [df.loc['a'] / df.loc['b'], df.loc['c'] / df.loc['d']]
print(result_list[0])
# X 5.0
# Y 3.0
# dtype: float64? 批量高效运算：向量化 div() + reindex
对于多组配对（如 [('a','b'), ('c','d')]），推荐使用向量化方案，避免循环，同时兼容缺失键处理：
lst = [('a', 'b'), ('c', 'd')]
x_keys, y_keys = zip(*lst) # 解包为 ('a','c'), ('b','d')
# 安全获取：reindex 自动填充 NaN（若键不存在）
numerator = df.reindex(x_keys) # 行索引变为 ['a','c']
denominator = df.reindex(y_keys) # 行索引变为 ['b','d']
# 关键：.values 剥离 denominator 的索引，触发按位置广播除法
result = numerator.div(denominator.values)
# 可选：恢复语义化索引
result = result.set_axis(lst)
print(result)输出：
X Y (a, b) 5.0 3.0 (c, d) 2.5 1.0
⚠️ 注意事项：
- 必须确保 'A' 列值唯一，否则 set_index('A') 会引发 ValueError；如有重复，先用 df.drop_duplicates(subset='A', keep='first') 去重。
- 使用 reindex() 而非 loc[] 可优雅处理缺失键（如 ('c','d') 中 'd' 不存在时，对应行为 NaN），提升鲁棒性。
- 避免 iloc + 布尔索引组合做跨行运算——它破坏了 Pandas “对齐优先”的设计哲学，应转向 loc + 语义索引范式。
掌握这一模式，不仅能解决除法问题，更可推广至任意行间二元运算（加、减、乘、自定义函数），是 Pandas 高级数据操作的核心实践之一。
