如何以更高效的Pythonic方式构建含指定numpy数组元素的Pandas DataFrame？

你的需求本质是生成多个numpy数组的笛卡尔积并转换为Pandas DataFrame。原嵌套循环方案在数组规模较大时效率极低，因为Python层面的循环和列表追加操作会带来显著性能开销。以下是几种更高效、更符合Python风格的实现方式：

方法1：Pandas内置MultiIndex生成（最简洁） #

利用pd.MultiIndex.from_product直接生成笛卡尔积索引，再转换为DataFrame，代码直观简洁：

import pandas as pd
import numpy as np

a = np.array(["a1"])
b = np.array(["b1", "b2"])
c = np.array(["c1", "c2", "c3"])

# 生成带列名的笛卡尔积索引，重置索引得到目标DataFrame
df = pd.DataFrame(index=pd.MultiIndex.from_product([a, b, c], names=['a', 'b', 'c'])).reset_index()

方法2：itertools.product生成笛卡尔积 #

itertools.product是Python标准库中专门生成笛卡尔积的工具，直接将结果传入DataFrame构造器即可：

import pandas as pd
import numpy as np
from itertools import product

a = np.array(["a1"])
b = np.array(["b1", "b2"])
c = np.array(["c1", "c2", "c3"])

# 直接生成笛卡尔积元组列表，指定列名构造DataFrame
df = pd.DataFrame(product(a, b, c), columns=['a', 'b', 'c'])

方法3：Numpy向量化操作（效率最优） #

对于超大型数组，使用Numpy的meshgrid生成笛卡尔积网格，再通过ravel展平为一维数组，完全利用向量化操作提升效率：

import pandas as pd
import numpy as np

a = np.array(["a1"])
b = np.array(["b1", "b2"])
c = np.array(["c1", "c2", "c3"])

# 生成笛卡尔积网格（indexing='ij'保证顺序与需求一致）
a_grid, b_grid, c_grid = np.meshgrid(a, b, c, indexing='ij')

# 展平网格并构造DataFrame
df = pd.DataFrame({
    'a': a_grid.ravel(),
    'b': b_grid.ravel(),
    'c': c_grid.ravel()
})

性能优势说明 #

以上三种方法都避免了Python层面的嵌套循环，底层依赖C实现的库函数处理笛卡尔积计算，数组规模越大，性能提升越明显：

• 方法1和2代码简洁，适合大多数日常场景；
• 方法3的向量化操作在处理百万级以上数据时，效率远高于循环方案。

内容的提问来源于stack exchange，提问作者Ji Won Song