如何无循环优化实现Pandas DataFrame转自定义列名单行数据

我有如下Pandas DataFrame：

x   y   z
0   a   d   g
1   b   e   h
2   c   f   i

希望将其转换为单行DataFrame，新列名为原列名与原行索引的组合（格式为列名_行索引），且列顺序按原列倒序、行索引倒序排列，目标结果如下：

z_2 z_1 z_0 y_2 y_1 y_0 x_2 x_1 x_0
0   i   h   g   f   e   d   c   b   a

我已通过循环实现该功能，但需要优化代码运行性能，尽可能避免使用循环。现有实现代码如下：

df = pd.DataFrame({"x": ["a", "b", "c"],
                    "y": ["d", "e", "f"],
                    "z": ["g", "h", "i"]})
df.to_dict()
wantedRes = pd.DataFrame()
for key, value in df.items():
    for key2, value2 in value.items():
        wantedRes.insert(loc = 0, column = str(key) + "_" + str(key2),value = [value2] ) 

可以利用Pandas的内置数据重塑方法高效完成，完全避免循环，代码更简洁且性能更优：

import pandas as pd

df = pd.DataFrame({"x": ["a", "b", "c"],
                   "y": ["d", "e", "f"],
                   "z": ["g", "h", "i"]})

# 步骤拆解实现
# 1. 反转原DataFrame的列顺序（得到z、y、x）
# 2. 堆叠所有列的行数据，生成带(列名, 行索引)多级索引的Series
stacked_series = df.loc[:, ::-1].stack()
# 3. 反转Series的元素顺序，让每个列对应的行索引从2到0排列
reversed_series = stacked_series.iloc[::-1]
# 4. 将多级索引重命名为"列名_行索引"格式
reversed_series.index = reversed_series.index.map(lambda idx: f"{idx[0]}_{idx[1]}")
# 5. 转置为单行DataFrame
result = reversed_series.to_frame().T

也可以写成更紧凑的链式调用：

result = (df.loc[:, ::-1]
          .stack()
          .iloc[::-1]
          .set_axis([f"{col}_{idx}" for col, idx in reversed(stacked_series.index)])
          .to_frame().T)

代码说明 #

• df.loc[:, ::-1]：快速反转列的顺序，确保后续先处理z、再y、最后x
• .stack()：将每列的行数据堆叠成一维Series，自动生成(列名, 行索引)的多级索引，避免手动遍历
• .iloc[::-1]：反转Series的元素顺序，让每个列对应的行索引从2到0排列
• 索引重命名：通过map将多级索引拼接成列名_行索引的格式
• .to_frame().T：将Series转换为单行DataFrame，得到最终目标结构

这种方式依赖Pandas的底层优化实现，比循环插入列的效率高很多，尤其是当DataFrame的行/列数量较多时，性能提升会非常明显。

内容的提问来源于stack exchange，提问作者Florian