如何将DataFrame高效转换为以(行索引,列名)为键的字典

针对大数据量的场景，优先使用pandas内置的矢量化操作（避免手动循环，循环在数据量大时效率极低），以下是两种高效实现方案：

方法一：stack() + to_dict()（推荐，最简洁高效） #

stack()会将列索引转换为多层索引的下层，生成的Series的索引恰好是(行索引, 列名)的元组，直接调用to_dict()即可完成转换：

import pandas as pd

df = pd.DataFrame({'col1': [1, 2], 'col2': [0.5, 0.75]}, index=['row1', 'row2'])

# 核心转换代码
result_dict = df.stack().to_dict()

print(result_dict)
# 输出：
# {('row1', 'col1'): 1, ('row1', 'col2'): 0.5, ('row2', 'col1'): 2, ('row2', 'col2'): 0.75}

方法二：melt() + set_index() + to_dict() #

如果需要对行列做额外筛选或处理，可通过melt重塑数据后构建字典，效率同样优异：

import pandas as pd

df = pd.DataFrame({'col1': [1, 2], 'col2': [0.5, 0.75]}, index=['row1', 'row2'])

# 核心转换代码
melted_df = df.reset_index().melt(id_vars='index', var_name='col', value_name='val')
result_dict = melted_df.set_index(['index', 'col'])['val'].to_dict()

print(result_dict)
# 输出与方法一完全一致

效率说明 #

两种方法均基于pandas内部优化的矢量化逻辑，比Python原生循环快数倍至数十倍，尤其适配十万级以上的大数据量；其中方法一代码更简洁，执行效率略高于方法二。

内容的提问来源于stack exchange，提问作者qqzj