如何将DataFrame与Pandas Series合并为可迭代的字典/JSON结构

嘿，我完全懂你的需求——你想要一个能通过for x_row, y_val in new_object直接遍历的结构，每次迭代拿到一行特征数据和对应的目标值对吧？其实不用纠结字典，有几个简单直接的方法能实现这个需求：

方法1：用zip()配对特征行与目标值（推荐） #

这是最简洁高效的方式，直接把X的行迭代器和Y配对：

选项A：保留特征列名（返回namedtuple） #

如果你希望每行特征能通过列名访问（比如x_row.feature1），可以用itertuples()：

# 生成可迭代对象
new_object = zip(X.itertuples(index=False), Y)

# 遍历示例
for x_row, y_val in new_object:
    print("特征行:", x_row)
    print("对应目标值:", y_val)

index=False参数会去掉行索引，返回的x_row是一个namedtuple，每个属性对应特征列的名字。

选项B：返回numpy数组（更适合机器学习计算） #

如果只需要纯数值数组，用to_numpy()更高效：

new_object = zip(X.to_numpy(), Y)

# 遍历示例
for x_array, y_val in new_object:
    print("特征数组:", x_array)
    print("对应目标值:", y_val)

方法2：合并DataFrame后用iterrows()遍历 #

如果你更习惯DataFrame的操作，可以先把X和Y合并回一个DataFrame，再用iterrows()：

import pandas as pd

# 合并特征和目标列
combined_df = pd.concat([X, Y], axis=1)

# 生成可迭代对象
new_object = combined_df.iterrows()

# 遍历示例（注意iterrows返回的是(行索引, 行数据)）
for idx, row in new_object:
    x_row = row.drop('target')  # 提取特征行
    y_val = row['target']       # 提取目标值
    print("特征行:", x_row)
    print("对应目标值:", y_val)

不过要注意，iterrows()返回的是Series，速度比zip()慢一些，更适合小型数据集。

为什么字典不适合你的需求？ #

字典的默认迭代逻辑是遍历键，即使你构造{i: (X.iloc[i], Y.iloc[i]) for i in range(len(X))}这样的字典，遍历的时候也需要用for k, (x, y) in dict.items()，不如上面的方法直接。而且字典的结构并不天然适配这种“一行特征对应一个目标值”的顺序迭代场景，所以用zip()或者DataFrame迭代器会更顺手。

内容的提问来源于stack exchange，提问作者pouchewar