Pythonic方法将pandas DataFrame每行拆分为独立DataFrame的方案推荐

推荐优先使用列表推导式+iloc切片的方式实现，把拆分后的行级DataFrame统一存储在列表中，无需提前感知原DataFrame的行数，完全适配动态行数场景，代码简洁易维护。

核心实现代码 #

import pandas as pd
from numpy.random import randn

# 原有示例DataFrame
df = pd.DataFrame(randn(3,3), columns=['column 1', 'column 2', 'column 3'], index = ['row 1', 'row 2', 'row 3'])

# 核心拆分逻辑：每一行转为独立DataFrame，存入列表
row_dfs = [df.iloc[[i]] for i in range(len(df))]

注意：这里使用iloc[[i]]而非iloc[i]，是为了保证返回结果为DataFrame类型而非Series，自动保留原有的列信息。

访问与操作方式 #

拆分后的所有行DataFrame都可以通过列表下标直接访问，支持所有pandas DataFrame原生操作：

# 访问第一个行DataFrame
print("dataframe 1:")
print(row_dfs[0])

# 单独修改第二个行DataFrame的某一列值，不会影响原DF和其他行DF
row_dfs[1]['column 1'] = 999
print("修改后的dataframe 2:")
print(row_dfs[1])

可选方案：按原索引存储为字典 #

如果原DataFrame的索引有业务含义，也可以用字典存储，方便通过原索引直接取值：

row_df_dict = {idx: df.loc[[idx]] for idx in df.index}
# 直接通过原索引访问
print(row_df_dict['row 3'])

方案优势 #

• 完全适配任意行数的原DataFrame，无需提前固定长度
• 所有拆分后的DataFrame完整保留原列名、原索引信息
• 性能优于iterrows遍历方案，代码简洁符合Pythonic风格
• 列表/字典是Python原生数据结构，操作无额外学习成本，避免动态生成变量导致的命名空间污染问题

内容的提问来源于stack exchange，提问作者Lucas Schwartz