如何从DataFrame生成{(行,列):单元格值}格式的字典？

推荐方案：用stack()快速转换（高效首选） #

pandas的stack()方法可以直接把列索引“堆叠”到行索引层，生成一个带MultiIndex的Series，再调用to_dict()就能直接得到你要的格式，全程是矢量化操作，比循环快得多，尤其适合大数据集：

import pandas as pd

# 示例DataFrame
df = pd.DataFrame({'A': [1, 2], 'B': [3, 4]}, index=['X', 'Y'])

# 一步转换
target_dict = df.stack().to_dict()
print(target_dict)
# 输出：{('X', 'A'): 1, ('X', 'B'): 3, ('Y', 'A'): 2, ('Y', 'B'): 4}

备选方案：循环实现（灵活但效率稍低） #

循环完全可行，适合小数据集或者需要对每个单元格做自定义处理的场景。这里推荐用itertuples()，比iterrows()速度快：

target_dict = {}
# 遍历每一行，获取行索引和各列值
for row in df.itertuples():
    row_idx = row.Index
    for col in df.columns:
        target_dict[(row_idx, col)] = getattr(row, col)

也可以直接遍历索引和列的组合：

target_dict = {}
for idx in df.index:
    for col in df.columns:
        target_dict[(idx, col)] = df.loc[idx, col]

另一种思路：用melt()转长格式后转字典 #

如果习惯处理长格式数据，也可以先把DataFrame转成长表，再设置复合索引后转字典：

# 重置索引后转长格式
melted_df = df.reset_index().melt(id_vars='index', var_name='column', value_name='value')
# 设置复合索引并转字典
target_dict = melted_df.set_index(['index', 'column'])['value'].to_dict()

关于循环是否合适？ #

当然合适，但要分场景：

• 小数据量或需要自定义单元格逻辑（比如类型转换、条件过滤）：循环代码直观，容易调试和维护。
• 大数据量：优先用stack()这类内置方法，因为pandas的内置操作是C底层实现，速度比Python循环快几个量级。

内容的提问来源于stack exchange，提问作者Incognito