DataFrame内高效数据迁移方法咨询（含批量及转置场景）

嘿，这个问题问到点子上了！谁还想一个个单元格赋值啊，效率太低了，Pandas本来就是为批量操作设计的，给你两个精准的解决方案：

1. 同维度区域的高效批量转移 #

你说的把(1:50,11:20)区域的数据转移到(51:100,21:30)，完全不需要循环或者逐个赋值，直接用iloc的切片功能就能一次性搞定。不过要先提醒你：Pandas的iloc是0-based索引（也就是从0开始计数），和Excel的1-based不一样，所以你写的行号列号要调整一下。

比如你要转移的源区域如果是Excel里的第1到50行、第11到20列，对应到Pandas的iloc就是df.iloc[0:50, 10:20]；目标区域Excel里的第51到100行、第21到30列，对应df.iloc[50:100, 20:30]。

代码直接这么写：

# 按位置批量赋值，加.values避免索引对齐干扰
df.iloc[50:100, 20:30] = df.iloc[0:50, 10:20].values

为什么加.values？因为如果源区域和目标区域的索引/列名不一样，直接赋值会触发Pandas的索引对齐逻辑，导致数据放错位置。用.values直接提取数值数组，就能强制按位置匹配，完全符合你“转移位置”的需求。

2. 转移到转置后的目标区域 #

如果要把(1:50,11:20)（50行×10列）的数据转移到(101:110,31:80)（10行×50列）——也就是目标区域是源区域的转置，步骤也很简单：先对源区域转置，再赋值到目标区域。

同样先调整索引到0-based，代码如下：

# 先转置源区域，再按位置赋值
df.iloc[100:110, 30:80] = df.iloc[0:50, 10:20].T.values

这里的.T就是Pandas里的转置操作，把源区域的50行10列变成10行50列，刚好和目标区域的维度匹配，再用.values避免索引问题，完美实现你的需求。

额外小提示 #

• 如果你是用自定义的行/列标签（不是默认整数索引），可以用loc代替iloc来按标签切片，逻辑是一样的，只是把位置换成标签就行。
• 操作前最好先确认源区域和目标区域的维度是否匹配，比如同维度转移要确保行数列数一致，转置转移要确保源的行数=目标的列数、源的列数=目标的行数，不然会报错。

内容的提问来源于stack exchange，提问作者Charles Yeung