如何用最简方式在Pandas中拆分多个DataFrame？

针对你重复编写拆分代码的问题，有两种高效的批量处理方式，完全基于Pandas实现：

方法1：用列表统一管理DataFrames #

先把所有需要处理的DataFrame放进一个列表，再通过列表推导式批量生成训练集：

# 第一步：把10个DataFrame存入列表
dfs = [df1, df2, df3, df4, df5, df6, df7, df8, df9, df10]

# 第二步：批量拆分训练集
train_dfs = [df.loc[:, Start:end] for df in dfs]

拆分后的训练集按顺序存在train_dfs里，train_dfs[0]对应原df1的训练集，train_dfs[1]对应原df2的训练集，以此类推。如果还需要生成验证集，也可以用同样逻辑扩展：

# 假设验证集是另一列范围
val_dfs = [df.loc[:, val_start:val_end] for df in dfs]

方法2：用字典管理（更易通过名称访问） #

如果需要保留原DataFrame的名称以便后续快速调用，用字典存储会更方便：

# 第一步：用字典存储，键为原DataFrame的名称，值为对应DataFrame
dfs_dict = {
    "df1": df1,
    "df2": df2,
    # ... 依次添加到df10
    "df10": df10
}

# 第二步：批量生成训练集字典
train_dict = {name: df.loc[:, Start:end] for name, df in dfs_dict.items()}

之后可以直接通过train_dict["df1"]获取原df1的训练集，和直接定义df1_train的效果完全一致。

这两种方法都能把10行重复代码压缩到2-3行，后续如果要调整拆分范围，只需要修改一处即可，维护性大幅提升。

内容的提问来源于stack exchange，提问作者Sadcow