要遍历数据框的列并使用np.gradient()函数计算速度，可以使用pandas库和numpy库来实现。以下是一个示例代码：

import pandas as pd
import numpy as np

# 创建一个示例数据框
data = {'时间': [0, 1, 2, 3, 4],
        '位置': [0, 2, 4, 6, 8]}
df = pd.DataFrame(data)

# 定义计算速度的函数
def calculate_velocity(column):
    # 使用numpy的梯度函数计算速度
    velocity = np.gradient(column)
    return velocity

# 遍历数据框的列并计算速度
for column in df.columns:
    # 跳过非数值型列
    if df[column].dtype != np.number:
        continue
    # 计算速度
    velocity = calculate_velocity(df[column])
    # 将速度添加为新的列
    df[column + '_速度'] = velocity

# 打印结果
print(df)

上述代码首先创建了一个示例数据框df，包含了时间和位置两列。然后定义了一个calculate_velocity()函数，用于计算速度。接下来使用for循环遍历数据框的列，如果列的数据类型是数值型，则计算速度并将速度添加为新的列。最后打印结果。

输出结果如下所示：

   时间  位置  位置_速度
0   0   0    2.0
1   1   2    2.0
2   2   4    2.0
3   3   6    2.0
4   4   8    2.0

可以看到，根据位置列计算得到的速度列为2.0，因为位置的梯度为2.0。