如何通过函数高效创建多个DataFrame？

问题场景 #

目前通过手动逐个调用dvd函数生成DataFrame，当需要生成30个这类对象时，重复代码多、效率低，需要更高效的批量处理方式。

解决方案 #

1. 用字典批量存储（推荐）

将所有目标日期存入一个列表，通过循环调用函数，把每个日期对应的DataFrame存入字典。这种方式便于统一管理，后续访问或操作都更便捷：

# 先把需要处理的日期整理到列表中，示例：
date_list = [date_0, date_1, date_2, ..., date_29]

# 循环生成并存储到字典
df_dict = {}
for idx, date in enumerate(date_list):
    df_dict[f'df_{idx}'] = dvd(date)

# 访问示例：获取第1个DataFrame
df_dict['df_0']

2. 利用pandas分组优化（性能更优）

原函数的逻辑是按DATE筛选数据，直接用pandas的groupby可以一次性完成分组，避免多次重复筛选原数据，性能更高效：

# 按DATE列对原数据分组
grouped_df = port_type.groupby('DATE')

# 生成包含所有日期对应DataFrame的字典（自动去空值可结合dropna）
df_dict = {date: group.dropna() for date, group in grouped_df}

# 如果只需要指定的30个日期，可筛选目标日期：
target_dates = [date_0, date_1, ..., date_29]
df_dict = {date: grouped_df.get_group(date).dropna() for date in target_dates}

3. 动态创建独立变量（不推荐）

如果一定要生成df_0、df_1这类独立命名的变量，可以通过全局命名空间动态创建，但这种方式会降低代码可读性和可维护性，不建议大量使用：

date_list = [date_0, date_1, ..., date_29]
for idx, date in enumerate(date_list):
    globals()[f'df_{idx}'] = dvd(date)

总结 #

优先选择字典存储或groupby分组的方式，既能提升效率，又便于后续对批量DataFrame进行统一操作（如遍历处理、统计分析等）。

内容的提问来源于stack exchange，提问作者stvlam22