Pandas.DataFrame.product() 乘积 详解 含代码 含测试数据集 随Pandas版本持续更新

关于Pandas版本： 本文基于 pandas2.2.0 编写。

关于本文内容更新： 随着pandas的stable版本更迭，本文持续更新，不断完善补充。

传送门： Pandas API参考目录

传送门： Pandas 版本更新及新特性

传送门： Pandas 由浅入深系列教程

Pandas.DataFrame.product()

Pandas.DataFrame.product 方法用于返回行或列的所有元素的乘积

• Pandas.DataFrame.product 和 pandas.DataFrame.prod 效果一致。
• Pandas.DataFrame.prod 是 pandas.DataFrame.product 的简化缩写。

计算公式：

• 公式 ：

  ${\prod }_{i=1}^n{a}_i$

  下标 $i$ 表示起始位置，上标 $n$ 表示终止位置。，$a_i$ 表示被乘的项。

语法：

DataFrame.product(axis=0, skipna=True, numeric_only=False, min_count=0, **kwargs)

返回值：

• Series or scalar

参数说明：

axis 指定计算方向（行或列）

• axis : {index (0), columns (1)

  axis 参数，用于指定计算方向，即按行计算或按列计算乘积：

  ⚠️ 注意 :

  axis=None 已被标记为弃用，在未来的版本，将使用新的方法实现。

  • 如果是 Series 此参数无效，将始终保持 axis=0，即计算整列的乘积。^例1
  • 如果是 DataFrame 默认为 axis=0 即计算每一列的乘积。并有以下参值可选:
    • 0 or ‘index’: 计算每列的乘积。 ^例2
    • 1 or ‘columns’： 计算每行的乘积。^例3

  ✅ 新增于 Pandas 2.0.0 : axis 参数，新增于Pandas 2.0.0 版本。

skipna 忽略缺失值

• skipna : bool, default False >

  skipna 参数，用于指定求乘积的时候是否忽略缺失值：

  • False： 不忽略，缺失值 在求乘积的时候会被解析为浮点数 float 1.0^例4
  • True: 忽略缺失值。

numeric_only 排除非纯数值的行或列

• numeric_only : bool, default False

  numeric_only 参数，用于控制是否 排除非纯数值的行或列：

  • False： 不排除。
  • True: 只对纯数值型的行或列计算乘积。^例5

min_count 有效数值数量

• min_count : int, default 0

  min_count 参数，用于指定执行操作所需的有效值数量。如果存在的非 NA 值少于 min_count，则结果将为 NA。^例6

**kwargs

• **kwargs :

  用于保持和 numpy 兼容而保留的参数，一般不需要使用。

相关方法：

➡️ 相关方法

---

• Series.sum

  求和

• Series.min

  最小值

• Series.max

  最大值

• Series.idxmin

  最小值索引

• Series.idxmax

  最大值索引

• DataFrame.sum

  求和

• DataFrame.min

  最小值

• DataFrame.max

  最大值

• DataFrame.idxmin

  最小值索引

• DataFrame.idxmax

  最大值索引

示例：

测试文件下载：

本文所涉及的测试文件，如有需要，可在文章顶部的绑定资源处下载。

若发现文件无法下载，应该是资源包有内容更新，正在审核，请稍后再试。或站内私信作者索要。

测试文件下载位置

例1：如果是 Series 始终保持 axis=0，即计算整列的乘积。

import numpy as np
import pandas as pd

s = pd.Series([24.0, np.nan, 21.0, 33, 26], name="age")
s.product()

432432.0

例2、求 DataFrame 每列的乘积

import numpy as np
import pandas as pd

df = pd.DataFrame({'person_id': [0, 1, 2, 3],
                   'age': [21, 25, 62, 43],
                   'height': [1.61, 1.87, 1.49, 2.01]}
                  )

df.product()

person_id    0.000000e+00
age          1.399650e+06
height       9.016745e+00
dtype: float64

例3、求 DataFrame 每行的乘积

import numpy as np
import pandas as pd

df = pd.DataFrame({'person_id': [0, 1, 2, 3],
                   'age': [21, 25, 62, 43],
                   'height': [1.61, 1.87, 1.49, 2.01]}
                  ).set_index('person_id')


df.product(axis=1)

0      0.00
1     46.75
2    184.76
3    259.29
dtype: float64

例4：如果整行或整列，都是缺失值，那么乘积是1，因为在DataFrame.product方法中，缺失值被解析为1.0。

import pandas as pd
import numpy as np

df = pd.DataFrame({"A": [np.NaN,np.NaN]})

df.product()

A    1.0
dtype: float64

B列由于是数字+字符串，所以没有被计算最小值。 C列布尔值和浮点数混用，也没有被计算最小值

例5：numeric_only=True 排除非数值类型的列。

import pandas as pd
import numpy as np

df = pd.DataFrame({"A": [0.5,4], "B": ["a","a"], "C": [True,True]})

df.product(numeric_only=True)

A    2.0
C    1.0
dtype: float64

B列由于是字符串，所以没有被计算乘积。

例6：非缺失值数量，小于 min_count ，则结果为 nan

import pandas as pd
import numpy as np

df = pd.DataFrame({"A": [0.5,4], "B": ["a","a"], "C": [True,True]})

df.product(numeric_only=True, min_count=3)

A   NaN
C   NaN
dtype: float64

观察上面的计算结果，A列因为只有两个有效值，所以返回了 NaN