如何正确拆分pandas DataFrame两列并保存为CSV文件

导出的CSV排版错乱、列拆分失败由几个明确问题导致：

• 你在to_csv时手动指定了sep='\t'，也就是用制表符作为列分隔符，但CSV格式默认分隔符是逗号，绝大多数表格软件打开CSV时会默认按逗号拆分，自然会把两列内容挤在同一列。
• groupby聚合时没有加as_index=False参数，导致filename变成了DataFrame的索引而不是普通列，进一步加剧了列结构错位。
• 原代码逐行重复提取文件名、反复用列表嵌套再拆值的逻辑完全冗余，会拖慢1000个文件的处理速度，而且原代码只取了YOLO标注行的第2个值（即x_center坐标），如果你需要完整bbox的四个坐标值，原取值逻辑也不符合需求。

• 导出标准CSV时去掉sep='\t'参数，用默认逗号分隔，兼容性最好，所有表格工具都能自动识别列；如果一定要用制表符分隔，把文件后缀改成.tsv即可被工具自动识别。
• 分组聚合时加上as_index=False，保证filename作为普通列存在，不要变成索引。
• 简化冗余的列表处理逻辑，把文件名提取放到文件循环外层，不用逐行重复计算。
• 导出时加上index=False，不要把pandas自动生成的行索引写到文件里。

import os
import pandas as pd
import glob

myFiles = glob.glob('C:\\Users\\xxx\\Sub_Folder\\*.txt')
final_df = []

# 预生成24小时时间段映射，不用手写一长串replace参数
time_map = {f"{hour:02d}": f"{hour:02d}:00-{hour:02d}:59" for hour in range(24)}

for file_path in myFiles:
    # 文件名只需要提取一次，不用逐行重复跑
    base_name = os.path.basename(file_path)
    file_num = ''.join([c for c in base_name if c.isdigit()])
    with open(file_path, 'rt') as f:
        for line in f:
            line = line.strip()
            if not line:
                continue
            parts = line.split()
            try:
                # 👉 如果只需要原逻辑的x_center单值，用下面这行
                # bbox_val = float(parts[1])
                # 👉 如果需要完整bbox（x_center/y_center/width/height四个值），用下面这行
                bbox_val = tuple(float(v) for v in parts[1:5])
                final_df.append({
                    "filename": file_num,
                    "bbox": bbox_val
                })
            except:
                print(f"文件{base_name}存在不符合格式的行，已跳过")

# 构建DataFrame
df = pd.DataFrame(final_df)
# 映射时间段
df['filename'] = df['filename'].replace(time_map)
# 去重
df = df.drop_duplicates(subset=['filename', 'bbox'], keep='first')
# 分组取最大值，保留filename为普通列
df = df.groupby('filename', as_index=False)['bbox'].max()
# 导出标准CSV，不写索引
df.to_csv('C:\\Users\\xxx\\CountingCSV\\total_count.csv', index=False)

导出后用记事本打开生成的CSV，能看到每行的filename和bbox值之间用逗号分隔，用Excel、WPS、pandas读取时都会自动拆成两列，不会再出现排版错乱。如果需要制表符分隔的版本，把to_csv参数改成sep='\t'，同时把文件后缀改为.tsv即可。

内容的提问来源于stack exchange，提问作者Kukkik