Pandas优化：无需迭代将二维时间序列数组导入DataFrame

当然有更高效的方式！你当前用的append逐行添加数据的方法效率极低——因为每次调用append都会生成一个全新的DataFrame对象，频繁的内存分配和复制会随着数据量增大显著拖慢速度。

最优解决方案 #

直接将你的二维时间序列数据传入pd.DataFrame的构造函数，同时指定列名即可，完全不需要循环迭代：

import pandas as pd

# 一次性转换整个数据集
my_df = pd.DataFrame(timeseries.data, columns=['time', 'value'])

额外优化：转换时间戳为datetime类型 #

如果你的time列是Unix秒级时间戳（从示例数据看确实是），可以顺便将其转换为可读性更好的datetime类型，这一步也是向量化操作，效率很高：

# 将秒级时间戳转换为datetime格式
my_df['time'] = pd.to_datetime(my_df['time'], unit='s')

这个方法利用了pandas的底层向量化实现，能大幅提升数据加载速度，尤其是当你的时间序列包含上万甚至更多数据点时，对比循环append的性能差异会非常明显。

内容的提问来源于stack exchange，提问作者Edamame