你可以只做helper_func(df1, df2)，在helper_func中：return stats.norm.pdf(x, loc=y, scale=sd_array).prod(axis=1)。请注意，您的标度是这样的，返回的值几乎总是0。在PDF中使用Scale=100*SD_ARRAY至少会显示一些非零值。

事实上，在本例中您不需要 Dataframe ：

import numpy as np
from scipy import stats

np.random.seed(1)

data1 = np.random.randn(3,3)
data2 = np.random.randn(3,3)

sd_array = np.array([0.02, 0.015, 0.2])

C = 100  # for demonstration purposes
def helper_func(x, y):
    return stats.norm.pdf(x, loc=y, scale=C*sd_array).prod(axis=1)

res = helper_func(data1, data2)
print(res)

收益率

array([0.0002616 , 0.00068695, 0.00035566])

但当使用 Dataframe 而不是data1或data2时，NumPy/Pandas/Scipy足够灵活，可以识别二维值数组并使用它。

实现的问题在于，您需要迭代各行，并使用map对每行中的每个元素应用helper_func。因此，对helper_func的第一个调用是helpoer_func(df1.iloc[i, 0], df2.iloc[i, 0])，而不是在第一行。

您可以通过删除内部循环来修复实现：

res = [helper_func(df1.iloc[i,:], df2.iloc[i,:]) for i in range(row_cnt)]

我更喜欢我另一个答案中的方法，使用NumPy向量计算，使用.prod(axis=1)，但要回答标题中的问题：您可以使用zip和.iterrows()：

assert len(df1) == len(df2)  # just to check
res = [helper_func(row1, row2) for (_, row1), (_, row2) in 
       zip(df1.iterrows(), df2.iterrows())]

(这需要原始的helper_func，在.prod()方法中没有axis=1。)

您需要使用下划线来忽略.iterrows()附带的索引(在标准的Python中，它的功能相当于enumerate())。