如何重组DataFrame序列，交换索引与帧顺序生成目标结构DataFrame

我有48个月度股票收益时序DataFrame（尺寸为169×137），通过字典mom引用，比如mom[1]代表第一个时序DataFrame，其中行对应时间、列对应股票。

需求是：为每个时间点生成一个新DataFrame——新DataFrame的行是股票，列是48个原DataFrame在该时间点的对应数值，最终得到169个独立的137×48的DataFrame，每个对应一个时间点。

目前已写出生成第一个时间点DataFrame的代码，但不知道如何扩展到全部时间点：

date = mom[1].axes[0]
date = date[0].date()

set = mom[1].iloc[[0]].transpose()
set.columns = ['mom1']
set = set.rename_axis(date,axis=0)
set = set.rename_axis('Ticker',axis=1)

直接循环每个时间点的索引，同时遍历48个原DataFrame提取对应行，拼接后整理格式即可：

步骤说明 #

1. 统一获取所有时间点的索引（假设所有mom字典里的DataFrame时间轴一致，从任意一个取即可）
2. 循环每个时间点索引，对每个时间点：
   • 遍历48个原DataFrame，提取该时间点的行并转置
   • 把这些转置后的Series拼接成一个新DataFrame
   • 设置列名为mom1到mom48，调整索引和轴名称

完整代码 #

import pandas as pd

# 获取所有时间点的索引
all_dates = mom[1].index

# 用字典存储生成的169个DataFrame，键为日期
result_dfs = {}

# 循环每个时间点
for idx, dt in enumerate(all_dates):
    # 初始化空DataFrame
    combined = pd.DataFrame()
    # 遍历48个原DataFrame
    for i in range(1, 49):
        # 提取当前时间点的行，转置后重命名列
        temp_df = mom[i].iloc[idx].to_frame(name=f'mom{i}')
        # 拼接列
        combined = pd.concat([combined, temp_df], axis=1)
    # 设置轴名称
    combined = combined.rename_axis('Ticker', axis=0)
    combined = combined.rename_axis(dt.date(), axis=1)
    # 存入结果字典
    result_dfs[dt.date()] = combined

# 示例：取第一个时间点的结果
first_result = result_dfs[all_dates[0].date()]

优化提示 #

如果原DataFrame数量多，循环拼接效率低，可以改用列表推导式先收集所有Series再一次性拼接：

import pandas as pd

all_dates = mom[1].index
result_dfs = {}

for idx, dt in enumerate(all_dates):
    # 收集所有时间点的Series
    series_list = [mom[i].iloc[idx].rename(f'mom{i}') for i in range(1, 49)]
    # 一次性拼接成DataFrame
    combined = pd.concat(series_list, axis=1)
    combined = combined.rename_axis('Ticker', axis=0)
    combined = combined.rename_axis(dt.date(), axis=1)
    result_dfs[dt.date()] = combined

内容的提问来源于stack exchange，提问作者user23359229