如何将同列名DataFrame列表的指定列合并并重命名为新DataFrame？

可以通过批量处理列重命名+按日期合并的方式高效实现，以下是两种常用的高效方案：

方案一：循环合并（适合Date为普通列的场景） #

先遍历每个DataFrame，提取目标列并重命名，再逐次按Date列合并：

import pandas as pd

# 批量处理每个DataFrame：提取Date、Price列，并重命名Price为Price1~Price10
processed_dfs = []
for idx, df in enumerate(dfs, start=1):
    temp_df = df[["Date", "Price"]].rename(columns={"Price": f"Price{idx}"})
    processed_dfs.append(temp_df)

# 以第一个处理后的DataFrame为基础，依次合并其余DataFrame
merged_df = processed_dfs[0]
for df in processed_dfs[1:]:
    # how='outer'保留所有日期，若只需共同日期可改为'inner'
    merged_df = merged_df.merge(df, on="Date", how="outer")

方案二：concat合并（适合将Date设为索引的场景，效率更高） #

将Date设为索引后，直接按列拼接，性能更优：

import pandas as pd

# 批量处理：提取列、重命名、设置Date为索引
processed_dfs = [
    df[["Date", "Price"]]
    .rename(columns={"Price": f"Price{idx}"})
    .set_index("Date")
    for idx, df in enumerate(dfs, start=1)
]

# 按列拼接所有DataFrame，最后恢复Date为普通列
merged_df = pd.concat(processed_dfs, axis=1).reset_index()

说明 #

• 两种方案都利用了pandas的向量化操作，避免了低效的逐行处理
• 若所有DataFrame的Date列完全一致，concat方案的执行效率会更高
• 可根据实际需求选择merge的连接方式（outer/inner）来控制日期的保留范围

内容的提问来源于stack exchange，提问作者student