Python 循环遍历数据帧中的列

我有一个pandas数据框架，希望遍历所有列并执行一些数学函数。但是，无法获得所需的结果。下面是我的示例数据框，共有3列

mydf=pd.DataFrame({'ID1':[9,3,7,5], 'ID2':[15,10,3,8],'ID3':[20,14,10,2]})

mydf

  ID1   ID2 ID3
0   9   15  20
1   3   10  14
2   7   3   10
3   5   8   2

下面是我需要为所有专栏所做的，它工作得非常完美。然而，这只是一个示例玩具数据集，在我的实际数据帧中有500多列，我试图循环遍历所有列，但它没有给出期望的结果

tmp_df=mydf.copy()

tmp_df['ID1']=np.log(mydf.iloc[:,0]).diff(1)
tmp_df['ID2']=np.log(mydf.iloc[:,1]).diff(1)
tmp_df['ID3']=np.log(mydf.iloc[:,2]).diff(1)
tmp_df

    ID1          ID2             ID3
0   NaN          NaN             NaN
1   -1.098612   -0.405465   -0.356675
2   0.847298    -1.203973   -0.336472
3   -0.336472   0.980829    -1.609438

基本上，我需要上面的结果，使用循环作为

我有500个专栏要做

我试过这样做：

for (i,j) in tmp_df.iteritems():
    #tmp_df['j']=np.log(mydf.iloc[:,0]).diff(1)
    j=np.log(mydf.iloc[:,0]).diff(1)
    print('Column:',i)
    print('Values:',j.values)

但是，这个循环在列表中给出了值，并且没有像我所希望的那样对所有列进行迭代。我认为这可以很容易地做到，但我无法让它工作。如果有人能帮助我，为所有500个专栏提供有效的方法，我将不胜感激

使用任何循环逻辑的预期结果

ID1           ID2             ID3
0   NaN           NaN             NaN
1   -1.098612   -0.405465   -0.356675
2   0.847298    -1.203973   -0.336472
3   -0.336472   0.980829    -1.609438

---

一种方法是使用

apply

，无需迭代行

In [48]: mydf=pd.DataFrame({'ID1':[9,3,7,5], 'ID2':[15,10,3,8],'ID3':[20,14,10,2]})

In [49]: mydf.apply(lambda x: np.log(x).diff(1), axis='rows')
Out[49]:
        ID1       ID2       ID3
0       NaN       NaN       NaN
1 -1.098612 -0.405465 -0.356675
2  0.847298 -1.203973 -0.336472
3 -0.336472  0.980829 -1.609438

结果是一个数据帧，因此如果需要将结果保存在新的数据帧中，只需像往常一样进行设置

In [50]: new_mydf = mydf.apply(lambda x: np.log(x).diff(1), axis='rows')

In [51]: print(new_mydf)
        ID1       ID2       ID3
0       NaN       NaN       NaN
1 -1.098612 -0.405465 -0.356675
2  0.847298 -1.203973 -0.336472
3 -0.336472  0.980829 -1.609438

编辑：在apply to answer OP注释后添加更多详细信息以重命名列

In [58]: new_mydf = mydf.apply(lambda x: np.log(x).diff(1), axis='rows').rename(lambda c_name: f'new_{c_name}', axis='columns')

In [58]: print(new_mydf)
    new_ID1   new_ID2   new_ID3
0       NaN       NaN       NaN
1 -1.098612 -0.405465 -0.356675
2  0.847298 -1.203973 -0.336472
3 -0.336472  0.980829 -1.609438

---

np.log（mydf）.diff（）

？anky_91：是的，我需要它来获取日志并用1级以上的值进行区分。但是，我关心的不是数学函数，而是如何使用循环有效地完成这项工作，因为我无法为500列编写代码。如果你能帮上忙，我将不胜感激。谢谢，但是当

np.log

将整个df作为输入时，为什么要使用循环呢？您是否尝试过

np.log（mydf.diff（）

，它提供了与预期相同的输出

apply

还通过行循环Smichaeld:太好了，非常感谢……它按预期工作。顺便问一下，我可以在apply函数之后用任何前缀重命名列吗？假设我想将cols ID1、ID2、ID3重命名为new_ID1、new_ID2、new_ID3等。但是，出于某种奇怪的原因，重命名似乎对我不起作用，即使我只是复制/粘贴了你的代码。我检查了所有的引号，括号等，似乎没有什么是关闭…顺便说一句，我的熊猫版本是'0.23.4'。new_df1=mydf.apply（lambda x:np.log（x）.diff（1），axis='rows'）.rename（lambda c_name:f'new_{c_name}，axis='columns'）^SyntaxError:invalid syntaxI我使用的是pandas的24.2版，但是rename函数应该没有区别。您在使用Python 3吗？是的，我在使用Python 3（更具体地说是3.5.6）