为何DataFrame默认采用列向输入而非行向输入？

首先要明确：Pandas 完全支持行向输入（比如你给出的字典列表形式），但默认优先处理列向输入，主要有以下几个核心原因：

• 底层存储与性能优化
  Pandas基于NumPy构建，而NumPy的核心是同类型、连续内存的数组。列向输入中，每一列对应一个同类型的NumPy数组，这种存储方式能最大化内存利用效率，同时让向量级运算（Pandas的核心优势之一）速度更快。如果采用行向存储，由于每行可能包含不同类型的数据（比如字符串和数值），只能用object类型数组存储，会大幅降低运算效率，且内存碎片化更严重。

• 统计分析的传统习惯
  传统统计分析（包括R、SAS等工具）都是以变量（列）为核心的——大多数统计操作（比如求均值、标准差、相关性）都是针对某一变量的所有观测值进行的。列向存储天然适配这类操作，能让数据分析流程更顺畅。

• 历史设计继承
  Pandas的设计大量参考了R的data.frame，而R的data.frame本质就是列向量的集合。这种设计延续下来，既符合数据分析领域从业者的使用习惯，也降低了从其他统计工具转用Pandas的学习成本。

举个例子，你给出的两种输入方式都能生成相同的DataFrame：
列向输入（默认推荐）：

d = {'name': ['John', 'Peter'], 'age': [10, 20]}
df = pd.DataFrame(data=d)

行向输入（同样支持）：

rows = [
  {'name': 'John', 'age': 10}, 
  {'name': 'Peter', 'age': 20}
]
df = pd.DataFrame(data=rows)

两者结果完全一致，但列向输入在数据量较大时，无论是内存占用还是运算速度都更有优势。

内容的提问来源于stack exchange，提问作者David542