如何从字符串列表创建DataFrame并合并为单个（不使用字典）

嘿，我来帮你搞定这个问题！你直接写 "df_" + i = pd.read_csv(...) 是没法运行的，Python不允许用这种字符串拼接的方式直接给变量赋值。不过我们可以通过操作全局命名空间来实现动态创建变量，之后再把这些DataFrame合并成一个，完全不用字典也能做到。

1. 动态生成对应品牌的DataFrame变量 #

我们可以用globals()函数来访问全局变量的字典，这样就能把每个品牌对应的DataFrame以df_brand1、df_brand2的形式创建出来，同时还能把这些DataFrame存到一个列表里，方便后续合并：

import pandas as pd

list1 = ['brand1','brand2']
# 初始化一个列表，用来存所有创建好的DataFrame
dfs_collection = []

for brand in list1:
    # 拼接出目标变量名
    target_df_name = f"df_{brand}"
    # 读取CSV并赋值给动态生成的变量
    globals()[target_df_name] = pd.read_csv(f'filepath{brand}.csv')  # 这里假设你的CSV路径是filepath+品牌名，比如filepathbrand1.csv
    # 把刚创建的DataFrame加入列表，为合并做准备
    dfs_collection.append(globals()[target_df_name])

执行这段代码后，你就能在全局环境里找到df_brand1和df_brand2这两个独立的DataFrame了，同时dfs_collection列表里也存着这两个对象的引用。

2. 合并所有DataFrame为单个 #

有了存着所有DataFrame的列表，直接用pandas.concat()就能轻松合并成一个大的DataFrame：

final_merged_df = pd.concat(dfs_collection, ignore_index=True)

如果每个品牌的DataFrame列结构一致，concat会直接按列对齐合并；如果列结构有差异，它会自动给缺失的列填充NaN，保证数据完整性。

额外优化：保留品牌标识 #

要是你想在合并后的DataFrame里知道每一行属于哪个品牌，可以在创建单个DataFrame的时候添加一列品牌标记：

import pandas as pd

list1 = ['brand1','brand2']
dfs_collection = []

for brand in list1:
    target_df_name = f"df_{brand}"
    temp_df = pd.read_csv(f'filepath{brand}.csv')
    # 添加品牌列，标记当前数据所属品牌
    temp_df['brand_source'] = brand
    globals()[target_df_name] = temp_df
    dfs_collection.append(temp_df)

final_merged_df = pd.concat(dfs_collection, ignore_index=True)

这样合并后的final_merged_df里每一行都带着brand_source列，能清晰看到数据来源，后续分析起来更方便。

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