如何按角度区间将大型DataFrame拆分为多个小型DataFrame？

核心思路 #

放弃循环删除（drop）的方式，改用区间分组直接提取对应数据，避免修改原DataFrame导致的逻辑错误，效率更稳定。

方法1：按区间左边界分组（简洁高效） #

假设角度列名为angle，通过计算每个角度所属的5度区间左边界，直接分组生成字典存储各区间DataFrame：

import pandas as pd
import numpy as np

# 示例DataFrame（替换成你的实际数据）
df = pd.DataFrame({'angle': np.random.uniform(-60, 0, 100), 'other_col': range(100)})

# 计算每个角度对应的5度区间左边界（比如-57.2对应-60，-53.8对应-55）
df['interval_left'] = np.floor(df['angle'] / 5) * 5

# 按左边界分组，生成字典：键=区间左边界，值=对应区间的DataFrame（可移除辅助列）
interval_dfs = {left: group.drop('interval_left', axis=1) for left, group in df.groupby('interval_left')}

# 调用示例：提取-60至-55区间的数据
print(interval_dfs[-60])

方法2：带明确区间标签的分组 #

如果需要更直观的区间名称（如"-60至-55"），可以用pd.cut生成标签后分组：

# 计算区间的起止边界（自动适配你的数据范围）
min_angle = np.floor(df['angle'].min() / 5) * 5
max_angle = np.ceil(df['angle'].max() / 5) * 5
bins = np.arange(min_angle, max_angle + 5, 5)

# 生成可读性强的区间标签
labels = [f"{int(bins[i])}至{int(bins[i+1])}" for i in range(len(bins)-1)]

# 为每条数据分配对应区间标签
df['interval'] = pd.cut(df['angle'], bins=bins, labels=labels, include_lowest=True)

# 按标签分组生成字典
labeled_dfs = {label: group.drop('interval', axis=1) for label, group in df.groupby('interval')}

# 调用示例：提取"-60至-55"区间的数据
print(labeled_dfs["-60至-55"])

为什么之前的循环+drop会失败？ #

drop默认会修改原DataFrame（或返回新对象但循环逻辑易出错），循环中每次删除后原数据的索引、内容动态变化，很容易出现漏选、重复选或索引混乱的问题。而分组方法基于原数据的布尔筛选，全程不修改原DataFrame，逻辑更稳定。

内容的提问来源于stack exchange，提问作者woplda123