如何将多个DataFrame精准拆分为固定数量（如663份）的子数据块

你当前的代码走的是「固定单块行长度，反推分块数量」的思路：先算步长n = len(df)/662，再按固定步长循环截取。这种模式下分块数量完全由总行数和步长的整除关系决定：一旦原DataFrame的总行数无法被步长整除，循环就会多截一个包含剩余行的尾部块，最终chunk_list的长度就会在663、664之间漂移，完全达不到「严格固定分块数量为663」的目标。

本质上这个思路和需求是反向的：你需要的是固定分块总数，把总行数均匀分摊到指定数量的块里，每块的长度可以有微小差异，但块数绝对不能变。

核心逻辑从“定步长算块数”改成“定块数算截切边界”，步骤完全固定，输出的块数严格等于指定值：

1. 先获取原DataFrame的总行数total_len = len(df)，设定目标分块数target_chunks = 663
2. 生成均匀分布的截切边界：把从0到total_len的连续区间，均匀拆成target_chunks段，对应的切分点一共是target_chunks +1个，用整数索引表示，避免浮点误差
3. 逐对遍历相邻切分点，按位置截取DataFrame片段，循环次数硬绑定target_chunks，从根源上保证最终列表长度和目标值完全一致

可直接复用的代码 #

最简洁的实现依赖numpy的均匀切分点生成能力：

import numpy as np
import pandas as pd

target_chunks = 663
total_len = len(df)
# 生成整数型切分边界，长度严格为 target_chunks +1
split_edges = np.linspace(0, total_len, target_chunks + 1, dtype=int)
# 硬循环 target_chunks 次截取，保证列表长度固定
chunk_list = [df.iloc[split_edges[i]:split_edges[i+1]] for i in range(target_chunks)]

批量多DataFrame场景的通用封装 #

如果需要批量处理多个规模差异很大的DataFrame，可以把逻辑封成通用函数，不管传入的df行数多少（哪怕总行数远小于663），返回的块列表长度永远是你指定的固定值，不够的部分自动补空DataFrame，不会出现块数漂移：

def split_df_fixed_chunks(input_df: pd.DataFrame, fixed_chunk_num: int) -> list[pd.DataFrame]:
    total_rows = len(input_df)
    split_edges = np.linspace(0, total_rows, fixed_chunk_num + 1, dtype=int)
    return [input_df.iloc[split_edges[i]:split_edges[i+1]] for i in range(fixed_chunk_num)]

• 截取时一定要用iloc按位置取数：如果DataFrame自带非连续的自定义索引，直接用标签切片df[a:b]会导致截取长度和预期不符，出现块内容错乱
• 不要试图靠调整步长的整除规则解决原代码的问题：比如把步长改成向上取整、向下取整，本质上还是没有跳出“块数由步长决定”的逻辑，总会在某些总行数下出现块数偏移
• 这种实现完全兼容极小行数的场景：比如某df只有10行，要求拆成663块，最终会生成662个空DataFrame和1个包含10行的块，列表长度严格为663，满足批量处理的对齐要求

内容的提问来源于stack exchange，提问作者Akanksha Jolly Sharma