如何将pandas单列数据周期性自动分配生成多个新列

核心思路 #

针对大数据量场景，直接使用numpy的维度重塑能力完成拆分，时间复杂度仅为O(1)（底层仅修改数组元数据，不复制数据），效率远高于循环遍历方案。

完整代码 #

你可以先设定要拆分的列数（也就是周期长度），比如示例中是每3个数值拆为一行对应3列，设置n_cols=3即可，列数可按需调整：

import pandas as pd
import numpy as np

# 你的原始数据生成逻辑
numbers = range(1,16)
df = pd.DataFrame(numbers, columns=['sequence'])

# 配置拆分的列数，可根据业务需求修改
n_cols = 3

# 核心逻辑：维度重塑
# 若总长度无法被列数整除，自动补NaN保证维度合法，避免报错
total_len = len(df)
pad_len = (n_cols - total_len % n_cols) % n_cols
pad_values = np.pad(df['sequence'].values, (0, pad_len), constant_values=np.nan)

# 生成最终目标DataFrame
result = pd.DataFrame(pad_values.reshape(-1, n_cols), columns=[f'col{i+1}' for i in range(n_cols)])

效果说明 #

针对你提供的示例数据，运行后输出的result结构和目标示例完全一致：第一行是1、2、3，第二行是4、5、6，依此类推到最后一行13、14、15。如果实际业务中数据长度无法被列数整除，代码会自动在末尾补NaN，不需要额外处理边界情况。

内容的提问来源于stack exchange，提问作者Hugo V