如何更简洁地将自定义SMA函数应用于上百个DataFrame？

方案1：收集现有DataFrame到列表后批量处理 #

如果已经存在df1到df100这些单独命名的DataFrame，可以先将它们统一收集到列表中，再用列表推导式批量处理：

import pandas as pd

# 从全局变量中筛选出所有以df开头的DataFrame
dfs = [v for k, v in globals().items() if k.startswith('df') and isinstance(v, pd.DataFrame)]

# 批量应用sma函数，得到处理后的DataFrame列表
processed_dfs = [sma(df, 40) for df in dfs]

方案2：用字典存储保留原名称 #

如果需要保留每个DataFrame的原始命名（比如区分处理后的结果和原数据），可以用字典来管理：

# 收集所有df开头的DataFrame到字典，键为变量名，值为DataFrame对象
df_dict = {k: v for k, v in globals().items() if k.startswith('df') and isinstance(v, pd.DataFrame)}

# 批量处理，生成处理后的字典
processed_df_dict = {name: sma(df, 40) for name, df in df_dict.items()}

# 若要直接覆盖原变量（谨慎使用，会丢失原始数据）
for name, df in df_dict.items():
    globals()[name] = sma(df, 40)

更优实践：从初始化阶段就用容器管理 #

建议后续创建DataFrame时，直接用列表或字典存储，避免单独命名df1到df100，从根源简化批量操作：

# 示例：初始化100个DataFrame并存储到列表
dfs = []
for _ in range(100):
    # 替换为你的DataFrame创建逻辑
    new_df = pd.DataFrame(...)
    dfs.append(new_df)

# 直接批量处理
processed_dfs = [sma(df, 40) for df in dfs]

注意：使用globals()筛选时，要确保没有其他以df开头的非DataFrame变量，否则会混入无关数据，可通过isinstance(v, pd.DataFrame)严格过滤。

内容的提问来源于stack exchange，提问作者stvlam22