如何批量对多个Pandas DataFrame执行列重命名与切片操作？

嘿，作为Python新手能搞定单个DataFrame的操作已经超棒啦！针对你要批量处理6-10个大尺寸DataFrame的需求，我给你几个简单又高效的方案，完全适配你的场景：

第一步：封装单个DataFrame的处理逻辑 #

先把你已经掌握的单个处理步骤写成一个函数，批量调用时会更清晰易维护：

def clean_single_df(df):
    # 把原第二行（iloc索引为0）设为新的列名
    df.columns = df.iloc[0]
    # 删除原第一行，重置索引避免乱序
    cleaned_df = df.iloc[1:].reset_index(drop=True)
    return cleaned_df

小提醒：如果不想修改原始DataFrame，处理时记得用df.copy()（比如在函数开头加df = df.copy()），防止原数据被意外改动——对于大尺寸DF来说，这一步能帮你避免很多麻烦！

第二步：批量处理的两种常用方式 #

方式1：列表批量处理（最直观，适合新手） #

如果你的DataFrames是放在一个列表里（比如dfs = [df1, df2, df3, ...]），直接用列表推导式就能快速搞定：

# 生成处理后的DataFrame列表
cleaned_dfs = [clean_single_df(df.copy()) for df in dfs]

处理完后，cleaned_dfs会按顺序存好处理后的df1、df2...

方式2：字典批量处理（方便后续按名称调用） #

如果你的DataFrames有明确的名称，把它们放进字典里管理会更省心：

# 先把所有DF放进字典，键是名称，值是对应的DataFrame
df_dict = {"df1": df1, "df2": df2, "df3": df3}
# 批量处理并生成新字典
cleaned_df_dict = {name: clean_single_df(df.copy()) for name, df in df_dict.items()}

之后你可以通过cleaned_df_dict["df1"]直接拿到处理好的对应DataFrame，查找调用都很方便。

关于你之前踩坑的map方法 #

其实map方法也能用，只是你可能没注意迭代器转换或原数据引用的问题，正确写法是：

cleaned_dfs = list(map(lambda x: clean_single_df(x.copy()), dfs))

不过相比列表推导式，这种写法对新手可读性稍差，所以更推荐前面两种方案。

大数据量场景的小提示 #

因为你的DF是1000×8000的尺寸，处理时尽量避免不必要的内存开销：

• 如果可以接受修改原始DF，就去掉.copy()直接原地处理（但新手还是更推荐保留copy，避免数据风险）
• 尽量用iloc索引，它的性能更适配大尺寸数据操作

内容的提问来源于stack exchange，提问作者Sparky_47