如何按性别拆分DataFrame为两个独立的数据框？

最优方法：布尔索引（推荐） #

直接利用pandas的布尔索引过滤行，这是最简洁高效的方式：

# 提取所有性别为Male的行，生成新DataFrame
a2 = a1[a1['Gender'] == 'Male']
# 提取所有性别为Female的行，生成新DataFrame
a3 = a1[a1['Gender'] == 'Female']

这种方法不需要循环，完全利用pandas的向量化操作，性能远优于循环，且代码易读。

循环方式（不推荐，但解决你的问题） #

如果一定要用循环实现，需要先初始化空DataFrame，每次将单行数据转为DataFrame后用concat添加（避免覆盖或报错）：

import pandas as pd

# 初始化与原DataFrame列名一致的空数据框
a2 = pd.DataFrame(columns=a1.columns)
a3 = pd.DataFrame(columns=a1.columns)

# 遍历原DataFrame的每一行
for _, row in a1.iterrows():
    if row['Gender'] == 'Male':
        # 将单行Series转为DataFrame（转置后是单行），再合并
        a2 = pd.concat([a2, row.to_frame().T], ignore_index=True)
    else:
        a3 = pd.concat([a3, row.to_frame().T], ignore_index=True)

你之前代码的问题分析 #

1. 第一个代码报错原因：a1.iloc[i]返回的是Series对象，而merge()是DataFrame的方法，Series没有这个属性，所以报错。merge用于合并两个结构匹配的DataFrame，不是用来逐行添加数据的。
2. 第二个代码覆盖数据原因：每次循环都直接把a2/a3赋值为当前行的Series，之前存储的数据会被覆盖，最终只保留最后一行符合条件的数据。
3. concat无效的可能原因：你可能直接拼接了Series，而没有先将其转为单行DataFrame，导致结构不匹配。

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