Python-兩個dataframe用for循環求笛卡爾積

合並兩個沒有共同列的dataframe，相當於按行號求笛卡爾積。

最終效果如下

以下代碼是參考別人的代碼修改的：

def cartesian_df(A,B):
        new_df = pd.DataFrame(columns=list(A).extend(list(B)))
        for _,A_row in A.iterrows():
            for _,B_row in B.iterrows():
                row = A_row.append(B_row)
                new_df = new_df.append(row,ignore_index=True)
        return new_df
#這個方法，如果兩張表列名重復會出錯

這段代碼的思路是對兩個表的每一行進行循環，運行速度比較慢，復雜度應該是O(m*n)，m是A表的行數，n是B表的行數。

因為我用到的合並表行數比較多，時間太慢，所以針對上面的代碼進行了優化。

思路是利用dataframe的merge功能，先循環復制A表，將循環次數添加為列，直接使用merge合並，復雜度應該為O(n)（n是B表的行數），代碼如下：

def cartesian_df(df_a,df_b):
    '求兩個dataframe的笛卡爾積'
    #df_a 復制n次，索引用復制次數
    new_df_a = pd.DataFrame(columns=list(df_a))
    for i in range(0,df_b.shape[0]):
        df_a['merge_index'] = i
        new_df_a = new_df_a.append(df_a,ignore_index=True)
    #df_b 設置索引為行數
    df_b.reset_index(inplace = True, drop =True)
    df_b['merge_index'] = df_b.index
    #merge
    new_df = pd.merge(new_df_a,df_b,on=['merge_index'],how='left').drop(['merge_index'],axis = 1)
    return new_df

#兩個原始表中不能有列名'merge_index'

使用一張8行的表和一張142行的表進行測試，優化前的方法用時：5.560689926147461秒

優化后的方法用時：0.1296539306640625秒（142行的表作為b表）

根據計算原理，將行數少的表放在b表可以更快，測試用時：0.021603107452392578秒（8行的表作為b表）

這個速度已經達到預期，基本感覺不到等待，優化完成。