多DataFrame管理：如何为每位客户创建独立子DataFrame并关联数据

Got it，我完全理解你的需求——不想用常规的表合并筛选，而是要给每个客户单独生成独立的子DataFrame，还得能快速关联查询并做后续计算对吧？下面给你几个Python pandas场景下的实用方案，都是实战中常用的：

方案1：字典映射（最直观易维护） #

这个方法是把每个客户的绩效DataFrame存在字典里，用客户ID作为唯一关联键，查询时直接通过ID就能快速定位，时间复杂度是O(1)，效率拉满。

实现步骤&代码示例： #

import pandas as pd

# 模拟客户主DataFrame
customer_df = pd.DataFrame({
    'customer_id': ['C001', 'C002', 'C003'],
    'name': ['Alice', 'Bob', 'Charlie'],
    'age': [30, 35, 28]
})

# 模拟每个客户的独立绩效DataFrame
perf_C001 = pd.DataFrame({
    'month': ['2024-01', '2024-02'],
    'score': [85, 92],
    'bonus': [1000, 1500]
})
perf_C002 = pd.DataFrame({
    'month': ['2024-01', '2024-02'],
    'score': [78, 88],
    'bonus': [800, 1200]
})
perf_C003 = pd.DataFrame({
    'month': ['2024-01', '2024-02'],
    'score': [90, 95],
    'bonus': [1200, 1800]
})

# 用字典关联客户ID和对应绩效子DataFrame
customer_perf_map = {
    'C001': perf_C001,
    'C002': perf_C002,
    'C003': perf_C003
}

# 快速查询特定客户绩效（比如Alice的）
target_id = 'C001'
target_perf = customer_perf_map[target_id]
print(f"客户{target_id}的绩效详情：")
print(target_perf)

# 后续计算示例：该客户的平均绩效分
avg_score = target_perf['score'].mean()
print(f"\n客户{target_id}的平均绩效分：{avg_score}")

如果你的绩效数据一开始是一个大的汇总DataFrame，也可以先按客户ID分组再转成字典：

# 模拟汇总的绩效DataFrame
all_perf_df = pd.concat([
    perf_C001.assign(customer_id='C001'),
    perf_C002.assign(customer_id='C002'),
    perf_C003.assign(customer_id='C003')
])

# 分组后转字典，自动关联客户ID和子DataFrame
customer_perf_map = {group: df.drop('customer_id', axis=1) for group, df in all_perf_df.groupby('customer_id')}

方案2：MultiIndex构建嵌套结构 #

如果你不想用额外的字典，也可以把所有绩效数据整合到一个大DataFrame里，用**多层索引（客户ID+行索引）**实现“子DataFrame”的效果，查询时通过索引切片快速定位。

代码示例： #

# 合并所有绩效数据，设置MultiIndex
all_perf_multi = pd.concat(
    [perf_C001, perf_C002, perf_C003],
    keys=['C001', 'C002', 'C003'],  # 第一层索引为客户ID
    names=['customer_id', 'row_idx']
)

# 快速查询C002的绩效详情
target_perf = all_perf_multi.loc['C002']
print(f"客户C002的绩效详情：")
print(target_perf)

# 后续计算示例：每个客户的总奖金
total_bonus = all_perf_multi.groupby(level='customer_id')['bonus'].sum()
print("\n各客户总奖金：")
print(total_bonus)

这种方案适合需要同时操作所有客户绩效数据，又要支持单个客户快速查询的场景，不用额外维护字典结构，数据都在一个大表里。

方案3：自定义类封装（面向对象进阶） #

如果你的业务逻辑比较复杂，需要把客户的基础信息和绩效数据绑定在一起，甚至要封装专属的计算方法，自定义类是最优选择。

代码示例： #

class Customer:
    def __init__(self, customer_id, name, age, perf_df):
        self.id = customer_id
        self.name = name
        self.age = age
        self.performance = perf_df
    
    # 封装常用计算：获取平均绩效分
    def get_avg_score(self):
        return self.performance['score'].mean()
    
    # 封装展示方法：打印绩效详情
    def show_performance(self):
        print(f"客户{self.name}（ID：{self.id}）的绩效详情：")
        print(self.performance)

# 批量实例化客户对象
customer_objects = []
for _, row in customer_df.iterrows():
    c_id = row['customer_id']
    customer = Customer(c_id, row['name'], row['age'], customer_perf_map[c_id])
    customer_objects.append(customer)

# 查询特定客户（比如找Bob）
target_customer = next(c for c in customer_objects if c.id == 'C002')
target_customer.show_performance()
print(f"\nBob的平均绩效分：{target_customer.get_avg_score()}")

这种方式把客户的属性和操作都封装在类里，代码可读性和扩展性极强，后续要加新的业务逻辑（比如绩效评级、奖金核算规则）都很方便。

方案选择总结 #

• 追求简单高效：选方案1（字典映射），实现成本最低，查询最快；
• 需要整体分析+单客查询：选方案2（MultiIndex），数据集中管理，无需额外维护映射；
• 业务逻辑复杂：选方案3（自定义类），面向对象设计更贴合复杂业务场景。

内容的提问来源于stack exchange，提问作者Hugo