Pandas如何不使用循环批量创建多个独立的相同行列数NaN空DataFrame

核心实现（无显式循环） #

你可以通过生成器表达式配合解构赋值一次性生成所有独立DataFrame，无需编写重复代码，也不需要写多行显式循环逻辑：

import pandas as pd
import numpy as np

# 自定义参数：数据帧数量、行数、列数
df_count = 10
row_num = 15
col_num = 50

# 一次性生成10个独立的全NaN DataFrame，可直接通过变量名调用
df1, df2, df3, df4, df5, df6, df7, df8, df9, df10 = (
    pd.DataFrame(np.nan, index=range(row_num), columns=range(col_num)) 
    for _ in range(df_count)
)

特性说明 #

• 独立性保证：每次调用pd.DataFrame构造函数都会生成全新的内存对象，彼此没有引用关联，修改任意一个DataFrame的内容不会影响其他数据帧
• 灵活调整：修改row_num、col_num参数即可自定义所有DataFrame的行列规格，列参数也可替换为自定义列名列表，比如columns=["字段1","字段2"...]
• 批量处理适配：如果需要批量调用不同处理函数，可将生成的DataFrame存入列表，通过索引匹配对应处理函数即可：

df_list = [
    pd.DataFrame(np.nan, index=range(row_num), columns=range(col_num)) 
    for _ in range(df_count)
]
# 按顺序为每个DataFrame指定处理函数
process_funcs = [处理函数1, 处理函数2, ..., 处理函数10]
# 批量执行处理
processed_results = [process_funcs[i](df) for i, df in enumerate(df_list)]

额外可选方案 #

如果完全不想使用任何迭代语法，也可以直接编写10行构造语句，但该方式代码冗余，修改规格时需要同步修改10次，仅适合少量数据帧场景：

df1 = pd.DataFrame(np.nan, index=range(15), columns=range(50))
df2 = pd.DataFrame(np.nan, index=range(15), columns=range(50))
# ... 依次类推到df10

和原有实现的对比 #

直接通过DataFrame构造函数批量生成的方式，比逐列pd.concat拼接的效率高3~10倍（列数越多优势越明显），也避免了重复编写10行冗余代码的问题。

内容的提问来源于stack exchange，提问作者Suchana Ghosh