如何移除Pandas Series的Freq/Name/dtype信息并生成指定CSV

问题重现 #

你在Google Colab中处理时序数据，拥有result_ses和result_des两个Pandas Series，尝试将它们按产品存入字典后导出为CSV，但生成的字典和CSV中包含Freq: MS、Name: ses、dtype: int64这类冗余元数据，不符合预期格式。

你的代码示例：

asd = {}

for prod in unique_products[:4]:
    asd[prod] = {}  # empty dictionary for each product
    asd[prod]['ses'] = result_ses 
    asd[prod]['des'] = result_des 

print(asd)

当前输出的字典中每个Series带冗余信息：

2021-05-01    16
2021-06-01    16
2021-07-01    16
Freq: MS, Name: ses, dtype: int64

导出CSV的代码：

op_path = '/content/output/'
output_file_path = op_path + f'desired_output.csv'
ddf = pd.DataFrame.from_dict(asd, orient='index')
ddf.to_csv(output_file_path, index_label='Date')

问题原因 #

直接将Pandas Series赋值给字典值时，Series会保留自身的元数据（频率、名称、数据类型），当转换为DataFrame并导出CSV时，这些元数据会被错误地包含在输出内容中。

解决方案 #

方法1：将Series转换为普通字典（保留日期索引） #

构建字典时，使用Series的to_dict()方法将其转为纯键值对字典，彻底移除元数据：

asd = {}

for prod in unique_products[:4]:
    asd[prod] = {}
    # 转换为普通字典，索引（日期）为键，对应值为值
    asd[prod]['ses'] = result_ses.to_dict()
    asd[prod]['des'] = result_des.to_dict()

之后导出时，若需要将日期作为统一索引，可以重新构造DataFrame：

# 从第一个产品的ses字典中提取日期索引
date_index = pd.Index(asd[unique_products[0]]['ses'].keys())
output_df = pd.DataFrame(index=date_index)

# 遍历产品，将ses和des转为列
for prod in unique_products[:4]:
    output_df[f"{prod}_ses"] = list(asd[prod]['ses'].values())
    output_df[f"{prod}_des"] = list(asd[prod]['des'].values())

# 导出CSV
op_path = '/content/output/'
output_file_path = op_path + 'desired_output.csv'
output_df.to_csv(output_file_path, index_label='Date')

方法2：直接构造目标DataFrame（更简洁） #

跳过字典中间步骤，直接以日期为索引，将每个产品的ses和des作为列构建DataFrame，避免冗余元数据：

# 初始化以日期为索引的空DataFrame
output_df = pd.DataFrame(index=result_ses.index)

# 为每个产品添加对应的ses和des列
for prod in unique_products[:4]:
    output_df[f"{prod}_ses"] = result_ses
    output_df[f"{prod}_des"] = result_des

# 导出CSV
op_path = '/content/output/'
output_file_path = op_path + 'desired_output.csv'
output_df.to_csv(output_file_path, index_label='Date')

这种方法无需中间字典，直接生成符合要求的结构化数据，导出的CSV会以日期为第一列，每个产品的ses/des作为后续列，完全没有冗余信息。

内容的提问来源于stack exchange，提问作者raiyan22