如何将两个数据帧(具有相同的列/行)转换为元组的数据帧?

你可以用 pd.join :

df1.join(df2, lsuffix='1', rsuffix='2').apply(tuple, axis=1).to_frame('A')

你可以 concat groupby.agg 在索引上。使用此方法将对齐列和列 groupby

print(pd.concat([df1, df2]).groupby(level=0).agg(tuple)) 
         A
0  (1, 11)
1  (2, 22)
2  (3, 32)

也就是说,在这种特定情况下,使用列表理解可能更快

pd.DataFrame({'A':[(a1, a2) for a1, a2 in zip(df1['A'], df2['A'])]})

df = pd.DataFrame({"A": zip(df1.A, df2.A)})

比其他解决方案更快、更简单

def repeat_df(df, n):
    return pd.concat([df]*n, ignore_index=True)

n = 1000

df1 = pd.DataFrame({'A': [1, 2, 3]})
df2 = pd.DataFrame({'A': [11, 22, 32]})

df1 = repeat_df(df1, n)
df2 = repeat_df(df2, n)

>>> %timeit df1.join(df2, lsuffix='1', rsuffix='2').apply(tuple, axis=1).to_frame('A')

36.6 ms ± 1.43 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

>>> %timeit pd.concat([df1, df2]).groupby(level=0).agg(tuple)

39.8 ms ± 3.05 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

>>> %timeit pd.DataFrame({"A": zip(df1.A, df2.A)})

1.95 ms ± 135 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

编辑

上述解很容易推广

df = pd.DataFrame({col: zip(df1[col], df2[col]) for col in df1.columns})

>>> %timeit pd.concat([df1, df2]).groupby(level=0).agg(tuple)

70.3 ms ± 1.66 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

>>> %timeit pd.DataFrame({col: zip(df1[col], df2[col]) for col in df1.columns})

3.41 ms ± 389 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

你可以用熊猫 pd.itertuples 用于在合并两个数据帧后将数据帧转换为元组。

df = pd.concat([df1, df2])
tuples = df.itertuples()