如何基于变量向Pandas DataFrame快速高效添加新行？

嘿，这个需求我太熟了！处理大量数据后要高效生成DataFrame，绝对要避开append这种低效操作，给你两个最实用的简洁方案，不管列多列少都好用：

方案1：一次性构建DataFrame（数据已全部准备好） #

如果你的所有变量（x、y、Z这些）都已经处理完毕，直接用字典映射列名和对应值来创建DataFrame是最简洁高效的，一行代码就能搞定，列再多也能清晰对应：

import pandas as pd

# 先假设你已经处理好所有变量
x = 15
y = 22.3
Z = 40
fruit_text = "banana"

# 用字典把列名和变量一一对应，直接生成DataFrame
df = pd.DataFrame([{
    'A': x,
    'B': y,
    'C': Z,
    'D': fruit_text
}])

这种方式完全不需要循环，pandas会直接把字典转成结构化的DataFrame，性能拉满。

方案2：批量高效追加（循环处理数据场景） #

如果是要循环处理大量数据、逐行生成记录，绝对不要用df.append()——因为每次append都会创建一个新的DataFrame对象，数据量大的时候会慢到离谱。正确的姿势是先把所有行数据收集到列表里，最后一次性转成DataFrame：

import pandas as pd

# 初始化空列表，用来存每一行的字典数据
data_records = []

# 模拟循环处理大量数据的过程
for data_item in your_large_dataset:
    # 这里是你的数据处理逻辑，提取出当前行的变量
    processed_x = extract_x(data_item)
    processed_y = extract_y(data_item)
    processed_Z = extract_Z(data_item)
    processed_text = "banana"  # 或者根据数据生成的文本
    
    # 把当前行的列名和值做成字典，加入列表
    data_records.append({
        'A': processed_x,
        'B': processed_y,
        'C': processed_Z,
        'D': processed_text
    })

# 最后一步：把列表转成DataFrame，这比循环append快N倍
df = pd.DataFrame(data_records)

进阶简化：列名和变量名一致时 #

如果你的变量名刚好和DataFrame的列名完全匹配（比如变量叫A对应列A），还可以用字典推导式进一步简化，列再多也不用一个个写键值对：

import pandas as pd

# 假设变量名和列名完全一致
A = 15
B = 22.3
C = 40
D = "banana"

# 定义需要的列名列表
target_cols = ['A', 'B', 'C', 'D']

# 用字典推导式自动匹配变量和列名
df = pd.DataFrame([{col: locals()[col] for col in target_cols}])

这种方式在列数很多的时候特别省心，只需要维护好target_cols列表就行。

总结一下：不管哪种场景，核心思路都是尽量减少对DataFrame的频繁修改，用字典映射列值关系保证简洁性，最后一次性生成DataFrame，既高效又好维护。

内容的提问来源于stack exchange，提问作者Densoto