如何高效地将字典数据批量添加到Pandas DataFrame的所有行？

嘿，这个问题我太熟了！你原来的循环方法虽然能实现需求，但确实有更简洁高效的向量化操作方式，不用挨个遍历字典的键值对——尤其是当你的DataFrame行数很多或者字典里的键值对数量不少时，这些方法的优势会更明显。

给你分享几个常用的高效方法：

方法1：使用df.assign()（最简洁） #

assign()方法可以直接接受字典作为参数（通过**解包），一行代码就能完成所有新列的添加，而且默认返回一个新的DataFrame（不想修改原数据的话特别友好）：

import pandas as pd
df = pd.DataFrame({'age' : [1, 2, 3],'name' : ['Foo', 'Bar', 'Barbie']})
d = {"blah":42,"blah-blah":"bar"}

# 一行搞定批量添加
df = df.assign(**d)

方法2：使用pd.concat() #

把字典转换成和原DataFrame同索引的小DataFrame，然后按列拼接，逻辑非常直观：

# 将字典转为匹配原df索引的DataFrame，再拼接
df = pd.concat([df, pd.DataFrame(d, index=df.index)], axis=1)

方法3：直接批量赋值（修改原DataFrame） #

如果你想直接在原DataFrame上修改，可以通过loc批量指定列并赋值，Pandas会自动把字典里的标量值广播到所有行：

# 直接给原df添加新列并赋值
df.loc[:, d.keys()] = pd.Series(d)

这几种方法都避免了循环操作，利用Pandas的向量化特性，执行效率比遍历字典要高很多，而且代码更简洁易读。

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