带日期索引的Pandas DataFrame按4列分割后纵向堆叠，能否用np.vstack()？

当然可以用np.vstack()搞定这个需求！不过因为咱们操作的是带日期索引的Pandas DataFrame，得先做一点预处理，再结合NumPy的堆叠能力，最后转回DataFrame才能完美匹配你要的效果。我给你一步步拆解：

步骤1：先对齐你的场景（模拟原始数据） #

假设你的DataFrame是日期索引，列数是4的倍数（比如12列，分成3组），先模拟一个样例方便理解：

import pandas as pd
import numpy as np

# 生成日期索引和随机数据
dates = pd.date_range('2023-01-01', periods=5)
df = pd.DataFrame(np.random.randn(5, 12), index=dates, columns=[f'col_{i+1}' for i in range(12)])

步骤2：按每4列分割DataFrame #

用列表推导式把原DataFrame切成多个子DataFrame，每个子DataFrame保留4列：

# 按步长4遍历列索引，分割出每4列的子DataFrame
split_dfs = [df.iloc[:, i:i+4] for i in range(0, df.shape[1], 4)]

步骤3：统一子DataFrame的列名 #

因为堆叠后列名要一致才能保证结构正确，所以给每个子DataFrame设置相同的列名：

for sub_df in split_dfs:
    sub_df.columns = ['Col1', 'Col2', 'Col3', 'Col4']

步骤4：用np.vstack()完成纵向堆叠 #

把每个子DataFrame的数值部分提取出来，用np.vstack()堆叠，再重构索引和列名得到最终结果：

# 堆叠所有子DataFrame的数值数组
stacked_values = np.vstack([sub_df.values for sub_df in split_dfs])

# 构造重复的日期索引：每个原始日期对应每一组分割结果
new_index = np.repeat(df.index, len(split_dfs))

# 生成最终的目标DataFrame
result_df = pd.DataFrame(stacked_values, index=new_index, columns=['Col1', 'Col2', 'Col3', 'Col4'])

补充：更简洁的Pandas原生方法 #

如果你不想依赖NumPy，直接用pd.concat()也能实现相同效果，代码更短：

result_df = pd.concat(split_dfs, axis=0)

不过既然你明确问了np.vstack()，上面的方法完全满足你的需求——本质是用NumPy处理数值堆叠，再套回Pandas的索引和列结构，完美匹配你的目标效果。

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