如何通过循环高效调用存储过程生成多个DataFrame？

当然可以通过循环简化重复代码，更推荐用列表或字典存储生成的DataFrame——相比创建match1至match10这类零散变量，集合类存储方式更便于后续批量操作（比如合并、遍历处理）。

方案一：列表存储结果 #

用列表按顺序保存每个日期对应的DataFrame，索引对应原手动命名的序号（注意列表索引从0开始）：

matches = []
for date in listOfDates:
    df = sp_data(startDate=date, endDate=date)
    matches.append(df)

访问示例：matches[0]对应原match1，matches[9]对应原match10。

方案二：字典存储结果（带日期标识） #

如果需要通过日期快速定位对应DataFrame，用字典以日期字符串为键存储，可读性更强：

matches_dict = {}
for date in listOfDates:
    date_key = str(date)
    matches_dict[date_key] = sp_data(startDate=date, endDate=date)

访问示例：matches_dict['20220524']直接获取对应日期的DataFrame。

进阶简化：列表推导式 #

追求代码简洁的话，可通过列表推导式一行完成列表创建：

matches = [sp_data(startDate=date, endDate=date) for date in listOfDates]

额外实用技巧 #

若后续需要合并所有DataFrame为一张大表，直接调用pandas.concat()即可，无需逐个处理零散变量：

import pandas as pd
combined_df = pd.concat(matches, ignore_index=True)

内容的提问来源于stack exchange，提问作者K.Best