Pandas2.2 DataFrame
Binary operator functions
| 方法 | 描述 |
|---|---|
| DataFrame.add(other) | 用于执行 DataFrame 与另一个对象（如 DataFrame、Series 或标量）的逐元素加法操作 |
| DataFrame.add(other[, axis, level, fill_value]) | 用于执行 DataFrame 与另一个对象（如 DataFrame、Series 或标量）的逐元素加法操作 |
| DataFrame.sub(other[, axis, level, fill_value]) | 用于执行逐元素的减法操作 |
| DataFrame.mul(other[, axis, level, fill_value]) | 用于执行逐元素的乘法操作 |
| DataFrame.div(other[, axis, level, fill_value]) | 用于执行逐元素的除法操作 |
| DataFrame.truediv(other[, axis, level, ...]) | 用于执行逐元素的真除法操作 |
| DataFrame.floordiv(other[, axis, level, ...]) | 用于执行逐元素的地板除法操作 |
| DataFrame.mod(other[, axis, level, fill_value]) | 用于执行逐元素的取模操作 |
| DataFrame.pow(other[, axis, level, fill_value]) | 用于对 DataFrame 中的元素进行幂运算 |
| DataFrame.dot(other) | 用于计算两个 DataFrame（或 DataFrame 与 Series/数组）之间的**矩阵点积（矩阵乘法）**的方法 |
pandas.DataFrame.dot()
pandas.DataFrame.dot(other) 是 Pandas 中用于计算两个 DataFrame（或 DataFrame 与 Series/数组）之间的**矩阵点积（矩阵乘法）**的方法。它的行为类似于线性代数中的矩阵乘法，结果的行索引与原始 DataFrame 的行索引对齐，列索引与 other 的列索引对齐。
语法
python
DataFrame.dot(other)- 参数
other：可以是另一个 DataFrame、Series 或类数组结构（如 NumPy 数组）。 - 返回值：一个新的 DataFrame 或 Series，具体取决于输入类型。
关键规则
- 维度对齐 ：调用方的列数必须与
other的行数相等。 - 索引对齐：Pandas 会根据行/列标签自动对齐数据。若标签不匹配，可能导致 NaN 或错误。
- 与
*的区别 ：df.dot(other)是矩阵乘法，而df * other是逐元素相乘。
示例
示例 1：DataFrame × DataFrame
python
import pandas as pd
# 创建两个 DataFrame
df1 = pd.DataFrame({'A': [1, 2], 'B': [3, 4]}, index=['row1', 'row2'])
df2 = pd.DataFrame({'C': [5, 6], 'D': [7, 8]}, index=['A', 'B'])
# 矩阵乘法：df1 的列索引（A, B）与 df2 的行索引（A, B）对齐
result = df1.dot(df2)
print(result)输出：
C D
row1 23 31
row2 34 46计算过程：
row1的结果：C = 1*5 + 3*6 = 5 + 18 = 23D = 1*7 + 3*8 = 7 + 24 = 31
row2的结果：C = 2*5 + 4*6 = 10 + 24 = 34D = 2*7 + 4*8 = 14 + 32 = 46
示例 2：DataFrame × Series
python
import pandas as pd
df = pd.DataFrame({'X': [1, 2, 3], 'Y': [4, 5, 6]}, index=['a', 'b', 'c'])
s = pd.Series([10, 20], index=['X', 'Y']) # Series 的索引与 df 的列对齐
result = df.dot(s)
print(result)输出：
a 90 # 1*10 + 4*20 = 10 + 80 = 90
b 120 # 2*10 + 5*20 = 20 + 100 = 120
c 150 # 3*10 + 6*20 = 30 + 120 = 150
dtype: int64示例 3：DataFrame × 数组
python
import pandas as pd
import numpy as np
df = pd.DataFrame({'M': [1, 2], 'N': [3, 4]})
arr = np.array([[5, 6], [7, 8]]) # 2x2 数组
result = df.dot(arr)
print(result)输出：
0 1
0 26 30
1 38 44计算过程：
- 第 0 行：
1*5 + 3*7 = 5 + 21 = 26（列 0），1*6 + 3*8 = 6 + 24 = 30（列 1） - 第 1 行：
2*5 + 4*7 = 10 + 28 = 38（列 0），2*6 + 4*8 = 12 + 32 = 44（列 1）
注意事项
-
维度不匹配 ：若列数 ≠
other的行数，抛出ValueError。 -
索引对齐问题 ：若标签不匹配，可能生成 NaN。可用
.values忽略索引：pythondf1.dot(df2.values) # 使用纯数值计算，忽略索引 -
与
@运算符等价 ：df1 @ df2与df1.dot(df2)结果相同。
通过 dot() 方法，可以高效实现线性代数中的矩阵乘法操作，适用于数据分析、机器学习等场景。