如何高效切片数据集并生成新DataFrame？Python新手求助

嘿，刚接触Python数据分析的话，碰到这种重复操作的问题很正常，我来帮你把这个事儿捋明白～

你之前尝试用循环的思路是对的，但问题出在循环的写法上：你直接把df_1这些变量放进tuple里，循环里的赋值并不会真正修改这些变量；而且嵌套循环完全没必要，反而会导致重复处理。

下面给你两种高效的批量处理方法，都是用Python的原生特性来减少冗余代码：

方法一：列表推导式（简洁直观） #

这是最常用的批量处理方式，代码短而且可读性强：

# 第一步：把所有原DataFrame放进一个列表里
original_dfs = [df1, df2, df3, df4]
# 第二步：定义你要保留的列（替换成你自己的列名）
selected_cols = ['列名1', '列名2', '列名3']
# 第三步：用列表推导式批量生成新的DataFrame
new_dfs = [df[selected_cols] for df in original_dfs]
# 第四步：把新列表里的元素分别赋值给你需要的变量
df_1, df_2, df_3, df_4 = new_dfs

这个方法的优势是：代码极简，后续如果要新增数据集，只需要在original_dfs里添加对应的DataFrame就行，完全不用改其他逻辑。

方法二：字典映射（灵活易扩展） #

如果你的数据集数量比较多，或者想更清晰地管理变量，用字典来处理会更灵活：

# 第一步：用字典存储原DataFrame，键可以自定义（这里用原变量名）
df_map = {'df1': df1, 'df2': df2, 'df3': df3, 'df4': df4}
# 第二步：定义要保留的列
selected_cols = ['列名1', '列名2', '列名3']
# 第三步：批量生成新的DataFrame字典，键改为你想要的命名规则（比如df_1）
new_df_map = {f'df_{key[-1]}': df[selected_cols] for key, df in df_map.items()}
# 第四步：把字典里的键值对转换成全局变量（这样就能直接用df_1、df_2了）
globals().update(new_df_map)

这个方法适合后续有更多数据集的场景，不用手动一个个定义变量，直接通过字典批量生成。

关键思路总结 #

不管用哪种方法，核心都是把重复的操作交给循环/推导式来做：

• 先把所有需要处理的DataFrame放到可迭代的容器（列表/字典）里
• 用一次批量操作代替四次重复的df_1 = df1[selected_cols]代码
• 最后再把处理后的结果映射到你需要的变量名上

内容的提问来源于stack exchange，提问作者Alice_inwonderland