Python 3中如何获取Pandas DataFrame区间内的所有值？

没问题，针对你这个需求，我给你分几种方案——从简单易读的基础版，到适合1万+记录的高效版，甚至极端大数据量下的内存友好方案，你可以根据自己的场景选择：

先构造你的示例数据 #

先把你给出的DataFrame用代码还原出来：

import pandas as pd

data = {
    'min': [10186, 10197, 10199, 11144, 11656, 13500, 13979, 14445, 14448],
    'max': [10186, 10197, 11142, 11654, 13498, 13977, 14442, 14446, 14449]
}
df = pd.DataFrame(data)

基础实现（适合小数据集） #

如果你的单条记录区间不大，这个方法简单直观，用apply生成每行的数值序列，再用explode展开：

# 给每行生成min到max的所有值（包含边界）
df['values'] = df.apply(lambda row: pd.Series(range(row['min'], row['max'] + 1)), axis=1)
# 展开成单行单值的格式
result = df.explode('values').reset_index(drop=True)

缺点：逐行apply在1万条记录+大区间的场景下会很慢，而且会占用较多内存。

高效向量化实现（适合1万+记录） #

用numpy的向量化操作替代逐行循环，速度会快很多，内存使用也更紧凑：

import numpy as np

# 计算每个区间的长度（包含两端，所以是max - min + 1）
lengths = df['max'] - df['min'] + 1

# 核心逻辑：重复每个min值对应次数，再加上0到length-1的偏移量
all_values = np.repeat(df['min'].values, lengths) + np.concatenate([np.arange(l) for l in lengths])

# 转成DataFrame格式（也可以直接用numpy数组）
result_df = pd.DataFrame({'value': all_values})

优势：向量化操作是Pandas/numpy的性能最优实践，处理1万条记录完全不在话下。

保留原行信息的版本 #

如果你需要保留每条原始记录的min和max字段，只需要对原列做同样的重复操作：

expanded_df = pd.DataFrame({
    'original_min': np.repeat(df['min'].values, lengths),
    'original_max': np.repeat(df['max'].values, lengths),
    'value': all_values
})

极端大数据量的内存友好方案 #

如果有些区间的范围特别大（比如max-min达到几万甚至更多），一次性生成所有值会撑爆内存，这时候可以用迭代器逐个生成值，边生成边处理（比如写入文件）：

def generate_values(df):
    for _, row in df.iterrows():
        # 遍历当前行的所有区间值
        for val in range(row['min'], row['max'] + 1):
            yield (row['min'], row['max'], val)

# 使用迭代器处理，不会一次性加载所有数据到内存
for item in generate_values(df):
    original_min, original_max, current_val = item
    # 这里可以写处理逻辑，比如写入CSV/数据库
    # print(current_val)

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