如何向Python单参函数传入范围值，避免重复调用实现DataFrame拼接

我编写了一个Python脚本，用于将一个DataFrame的行取值与另一个DataFrame的所有行取值拼接。两个DataFrame列数完全一致，其中一个DataFrame的片段示例如下：

ID Sequence 
1 ATGCCCC
2 GCTCCAC
...

现有代码如下：

...
def mixer(x):
    for row in df1.iterrows():
        fdf["New_ID"]=df1.loc[x, "First_ID"]+df2["Second_ID"]
        fdf["Sequence"]=df1.loc[x, "Sequence"]+df2["Sequence"]
    
    print(fdf)
    
mixer(0)
mixer(1)
mixer(2)
...

目前第一个DataFrame只有8行，但后续可能最多达到1000行。我想要避免像代码末尾那样为每个参数x的取值重复调用函数，曾尝试使用range、将行号存入列表或元组后传入函数都未生效，需要实现批量调用的需求。

你原有代码的iterrows()循环没有实际作用，且每次调用函数都会覆盖fdf的内容，无法留存全量拼接结果，可通过以下两种方式实现需求：

方案1：最小改动适配原有逻辑 #

import pandas as pd

# 初始化空列表存储每轮拼接结果
result_list = []

def mixer(x):
    temp_df = pd.DataFrame()
    temp_df["New_ID"] = df1.loc[x, "First_ID"] + df2["Second_ID"]
    temp_df["Sequence"] = df1.loc[x, "Sequence"] + df2["Sequence"]
    return temp_df

# 自动遍历df1所有行索引，无需手动逐个调用函数
for idx in df1.index:
    result_list.append(mixer(idx))

# 合并所有结果为最终DataFrame
fdf = pd.concat(result_list, ignore_index=True)
print(fdf)

方案2：pandas原生高性能实现（推荐，适配df1扩展到上千行的场景） #

# 新增临时关联键实现笛卡尔积全量行匹配
df1['tmp_key'] = 0
df2['tmp_key'] = 0

# 全连接得到所有行组合
cross_df = df1.merge(df2, on='tmp_key').drop('tmp_key', axis=1)

# 直接拼接目标字段
cross_df['New_ID'] = cross_df['First_ID'] + cross_df['Second_ID']
cross_df['Sequence'] = cross_df['Sequence_x'] + cross_df['Sequence_y']

# 提取需要的字段得到最终结果
fdf = cross_df[['New_ID', 'Sequence']].reset_index(drop=True)
print(fdf)

• 方案1完全基于你原有逻辑调整，仅增加遍历逻辑和结果合并步骤，改造成本最低
• 方案2使用pandas内置的笛卡尔积逻辑，避免Python层循环，数据量越大性能优势越明显，适配后续业务扩展需求
• 两种方案最终都会把所有拼接结果合并到同一个fdf中，不会出现原有逻辑中每次调用覆盖数据的问题

内容的提问来源于stack exchange，提问作者Alex