Pandas中如何基于现有DataFrame按手机号唯一值批量创建DataFrame

现有存储通话记录的DataFrame df1，数据量1万行以上，包含同一日期不同号码的通话、同一号码在不同日期的通话记录，样例数据如下：

需求为遍历df1，按Number字段的唯一手机号对行分组，为每个唯一手机号创建独立的新DataFrame。因操作需定期执行，df1的长度和内容会动态波动，排序后手动指定行范围、手动逐个提取单个号码对应数据的方式（如下方代码）无法适配动态场景：

df2= df1[df['Number'].isin([1234567891])]

需要可适配数据动态变化的自动化实现方案。

优先使用pandas原生groupby方法实现，不需要提前枚举手机号列表，自动适配数据量、号码范围的动态变化，1万行数据下性能无压力。

• 推荐方案：用字典统一管理所有分组后的DataFrame
  该方式不会污染全局变量空间，方便后续批量处理、按号码取数，代码最简洁：

  # 分组结果存入字典：key为手机号，value为对应手机号的通话记录DataFrame
  number_df_map = {num: group for num, group in df1.groupby('Number', as_index=False)}
  

  取指定号码的DataFrame时直接按键索引即可，比如获取1234567891的通话记录，直接调用number_df_map[1234567891]，和手动筛选的结果完全一致。需要批量处理所有号码的数据时，直接遍历字典即可：

  for phone_num, call_df in number_df_map.items():
      # 在此处编写单号码数据的处理逻辑，比如统计通话次数、导出csv等
      print(f"号码{phone_num}通话记录数：{len(call_df)}")
  

• 备选方案：动态生成独立命名的全局变量
  如果必须生成df_xxx格式的独立变量，可通过globals()动态注册变量，不推荐日常使用，易出现变量覆盖、批量管理困难的问题：

  for num, group in df1.groupby('Number', as_index=False):
      globals()[f"df_{num}"] = group
  

  执行完成后会自动生成所有对应号码的DataFrame变量，比如df_1234567891、df_1234567892，无需提前手动定义。

提示：如果Number字段存在浮点类型、特殊字符等情况，生成字典key或变量名前建议先做格式清洗，避免出现键错误或非法变量名问题。

内容的提问来源于stack exchange，提问作者Tony