如何在无需后续按名称访问的情况下，为任意数量的Pandas DataFrame批量应用同一函数？

嘿，这个问题很常见，尤其是当你处理动态生成的DataFrame时！我来给你几个实用的方案，完全不用之后逐个去索引或按名称访问每个处理后的结果：

• 第一步：先把所有目标DataFrame收集到可迭代对象中
  如果你已经有了df1、df2……dfn这些单独命名的DataFrame，首先得把它们集中到一个列表里。最便捷的方式是从全局/局部命名空间里筛选出符合命名规则的DataFrame：

  import pandas as pd
  
  # 筛选所有以"df"开头且是Pandas DataFrame类型的变量
  df_collection = [var for name, var in globals().items() 
                   if name.startswith('df') and isinstance(var, pd.DataFrame)]
  

  当然，如果你的DataFrame命名规则不一样，只要调整startswith里的字符串就行，比如如果是data_1、data_2，就改成name.startswith('data_')。

• 第二步：批量应用你的函数
  接下来就可以对整个列表批量处理了，推荐用列表推导式（比循环更简洁），或者map函数：
  先定义你要应用的处理函数，比如：

  def my_processing_func(df):
      # 这里写你的具体处理逻辑，比如新增列、过滤数据、计算统计值等
      df['processed_col'] = df['original_col'].apply(lambda x: x * 3)
      # 如果是需要返回处理后的DataFrame，记得加return
      return df
  

  然后批量处理：

  # 得到所有处理后的DataFrame组成的列表
  processed_dfs = [my_processing_func(df) for df in df_collection]
  

  这样你就有了所有处理后的结果集合，后续如果需要批量操作（比如合并所有处理后的DataFrame），直接对processed_dfs操作就行，完全不用逐个访问df1、df2这些单独的变量。

• 备选：原地修改（谨慎使用）
  如果你不需要保留原DataFrame，想直接修改原对象，可以用循环原地操作：

  for df in df_collection:
      # 原地修改，比如删除不需要的列
      df.drop(columns=['unnecessary_col'], inplace=True)
  

  注意：这种方式会直接改变原来的df1、df2等变量，没有返回新的对象，适合不需要保留原始数据的场景。

• 额外小技巧：如果之后偶尔需要按原名称访问
  要是你之后偶尔需要对应原名称找处理后的DataFrame，可以用字典来存储：

  processed_df_map = {name: my_processing_func(var) 
                      for name, var in globals().items() 
                      if name.startswith('df') and isinstance(var, pd.DataFrame)}
  

  之后要找df3的处理结果，就用processed_df_map['df3']，但这只是备选，完全不影响你批量处理的需求。

备注：内容来源于stack exchange，提问作者Elis