如何在循环中将每次迭代的Series追加为Pandas DataFrame新列？

首先我得说，在pandas里处理这类需求，先收集所有要添加的Series再一次性合并是最高效的方式（尤其是数据量大的时候），毕竟pandas每次追加列都会复制数据，循环里反复操作会拖慢速度。当然如果你的数据量很小，直接在循环里加列也完全没问题，两种方法我都给你列出来。

方法1：先收集Series，再一次性合并（推荐） #

假设你的循环是基于某个迭代对象（比如不同年份、类别），每次生成一个GC_tX格式的Series，步骤如下：

import pandas as pd

# 模拟你的原DataFrame ar（已存在且包含'year of application'列）
ar = pd.DataFrame({'year of application': [2020, 2021, 2022, 2023],
                   'existing_col': [10, 20, 30, 40]})

# 初始化空字典，用来暂存所有要添加的Series
new_cols_dict = {}

# 模拟你的循环：这里以生成GC_t1、GC_t2为例
for i in range(1, 3):
    # 替换成你从透视表选择列生成Series的代码
    # 核心要求：生成的Series索引必须和ar的索引完全匹配！否则会出现数据错位
    gc_series = pd.Series([i*100, i*200, i*300, i*400], index=ar.index)
    # 给列起名字，比如GC_t1、GC_t2
    col_name = f'GC_t{i}'
    # 将Series存入字典
    new_cols_dict[col_name] = gc_series

# 把字典转成DataFrame，和原ar按列合并
ar = pd.concat([ar, pd.DataFrame(new_cols_dict)], axis=1)

# 查看最终结果
print(ar)

运行后你会看到ar成功新增了GC_t1和GC_t2两列，完全符合你的需求。

方法2：循环中直接追加列（适合小数据量） #

如果数据量不大，不想折腾字典收集，也可以直接在循环里给ar新增列：

import pandas as pd

ar = pd.DataFrame({'year of application': [2020, 2021, 2022, 2023],
                   'existing_col': [10, 20, 30, 40]})

for i in range(1, 3):
    # 生成目标Series，注意索引匹配
    gc_series = pd.Series([i*100, i*200, i*300, i*400], index=ar.index)
    col_name = f'GC_t{i}'
    # 直接赋值给ar的新列
    ar[col_name] = gc_series

print(ar)

关键注意事项！ #

• 必须保证生成的Series索引和原DataFrame ar的索引完全一致，否则pandas会自动对齐索引，导致数据错位或出现NaN值。
• 如果你的透视表生成的Series索引和ar不匹配（比如透视表索引是年份值，而ar用的是默认数字索引），可以用reindex对齐：

  # 假设gc_series的索引是年份（如2020、2021），ar的'year of application'是对应列
  gc_series = gc_series.reindex(ar['year of application'])
  # 对齐后再赋值给ar的新列
  ar[col_name] = gc_series
  

内容的提问来源于stack exchange，提问作者himi64