如何解决迭代Pandas DataFrame行生成新DataFrame时的行列颠倒问题

嘿，这个问题我之前踩过坑！你遇到的行列颠倒问题，核心原因是直接append一个Series时，pandas默认会把它当作一列来处理，自然就搞反了行列。另外还有个容易忽略的点：append方法不会修改原DataFrame，它会返回一个新的对象，所以你得把结果重新赋值回去才行。

下面给你几种解决方案，从修复现有代码到更高效的pandas原生操作都有：

1. 修复你的循环代码 #

把每个Series转成单行的DataFrame再追加，同时记得赋值：

import pandas as pd
import numpy as np

df = pd.DataFrame(np.random.randint(low=0, high=10, size=(5, 5)), columns=['a', 'b', 'c', 'd', 'e'])
df1 = pd.DataFrame()
df2 = pd.DataFrame()

for index, row in df.iterrows():
    # 替换成你的实际判断条件
    if row['a'] > 5:
        # 将Series转置为单行DataFrame，ignore_index避免索引混乱
        df1 = df1.append(row.to_frame().T, ignore_index=True)
    else:
        df2 = df2.append(row.to_frame().T, ignore_index=True)

这里row.to_frame()会把Series变成单列的DataFrame，.T转置成单行，ignore_index=True确保新DataFrame的索引是连续的。

2. 推荐：用布尔索引直接筛选（效率最高） #

pandas的核心优势就是向量式操作，循环iterrows其实是效率很低的做法，尤其是数据量大的时候。直接用布尔索引拆分DataFrame才是最优解：

import pandas as pd
import numpy as np

df = pd.DataFrame(np.random.randint(low=0, high=10, size=(5, 5)), columns=['a', 'b', 'c', 'd', 'e'])

# 定义你的筛选条件，比如a列的值大于5
condition = df['a'] > 5

# 直接按条件拆分，copy避免后续修改影响原DataFrame
df1 = df[condition].copy()
df2 = df[~condition].copy()

这种写法不仅简洁，速度比循环快几个量级，完全符合pandas的设计思路。

3. 折中方案：收集Series到列表再统一转换 #

如果因为某些原因必须用循环，那尽量不要在循环里反复append（每次append都会创建新对象，非常耗资源），而是先把符合条件的Series收集到列表，最后一次性转成DataFrame：

import pandas as pd
import numpy as np

df = pd.DataFrame(np.random.randint(low=0, high=10, size=(5, 5)), columns=['a', 'b', 'c', 'd', 'e'])

list_df1 = []
list_df2 = []

for index, row in df.iterrows():
    if row['a'] > 5:
        list_df1.append(row)
    else:
        list_df2.append(row)

# 把列表里的Series直接转成DataFrame，重置索引
df1 = pd.DataFrame(list_df1).reset_index(drop=True)
df2 = pd.DataFrame(list_df2).reset_index(drop=True)

这种方法比循环append高效很多，而且代码也更清晰。

内容的提问来源于stack exchange，提问作者Yogi