要计算Pandas列的wmd相似度，首先需要使用gensim库来计算单词之间的距离。下面是一个示例代码，演示如何遍历Pandas列并计算wmd相似度。

首先，确保你已经安装了gensim库。可以通过以下命令在终端或命令提示符中安装：

pip install gensim

然后，使用以下代码示例：

import pandas as pd
from gensim.models import Word2Vec
from gensim.similarities import WmdSimilarity

# 创建一个Pandas DataFrame
data = {'text': ['I am happy', 'He is sad', 'They are angry']}
df = pd.DataFrame(data)

# 分词
sentences = [sentence.split() for sentence in df['text']]

# 训练Word2Vec模型
model = Word2Vec(sentences, min_count=1, size=100)

# 创建WmdSimilarity实例
num_best = 5  # 返回相似度最高的前5个结果
instance = WmdSimilarity(sentences, model, num_best=num_best)

# 遍历Pandas列并计算wmd相似度
for index, row in df.iterrows():
    query = row['text'].split()
    sims = instance[query]

    # 打印相似度最高的前5个结果
    print(f"Query: {row['text']}")
    for i, (doc_id, sim) in enumerate(sims):
        print(f"Similarity {i+1}: {sentences[doc_id]} - {sim}")
    print()

在上述示例中，我们首先创建了一个包含文本的Pandas DataFrame。然后，我们将每个文本分词，并使用这些分词训练了一个Word2Vec模型。接下来，我们创建了一个WmdSimilarity实例，并将原始句子和Word2Vec模型传递给它。最后，我们使用iterrows()方法遍历Pandas列，并计算每个文本与其他文本之间的wmd相似度。在每次迭代中，我们打印出相似度最高的前5个结果。

请注意，这只是一个示例代码，你可能需要根据你的具体需求进行相应的修改。