本文介绍使用pandas按指定`iteration`值从多个dataframe中提取对应行，并沿列方向（`axis=1`）拼接为宽格式结果表，适用于性能测试数据对齐、多组实验指标对比等场景。
在实际数据分析中，常需将来自不同实验轮次或配置的结构化结果（如IOPS、延迟等性能指标）按特定标识（如iteration）进行横向对齐，而非传统意义上的键连接（merge/join）。此时，若目标行顺序不一致、存在缺失或需严格按用户指定序列排列，则直接使用reindex配合concat是更可控、更高效的方法。
核心思路：索引对齐 + 列向拼接
关键在于先将iteration设为索引，再按目标列表重排行序（reindex），确保每个DataFrame输出的行顺序和内容完全符合预期；随后通过pd.concat(..., axis=1)实现列级拼接，生成类似“双栏对照表”的结构。
✅ 基础实现（两个DataFrame）
import pandas as pd
# 定义对齐函数：按指定iteration列表提取并保持顺序
def align_by_iteration(df, target_iters):
return (df.set_index('iteration')
.reindex(target_iters) # 严格按target_iters顺序取行，缺失则填充NaN
.reset_index())
# 指定各DataFrame所需提取的iteration
iter_df1 = ['1_1', '2_2', '3_3', '9_9']
iter_df2 = ['1_1', '2_2', '5_5', '6_6']
# 对齐后水平拼接
df3 = pd.concat([
align_by_iteration(df1, iter_df1),
align_by_iteration(df2, iter_df2)
], axis=1)
print(df3)输出说明：结果中前3列来自df1（iteration, IOPS, Latency），后3列来自df2，两组iteration列独立存在，行顺序由各自target_iters决定——即第0行对应1_1，第1行对应2_2，依此类推。注意：reindex会自动用NaN填充未匹配的iteration（本例中无缺失，故未体现）。
? 扩展方案：支持N个DataFrame批量处理
当需对更多DataFrame执行相同逻辑时，推荐使用itertools.starmap提升可维护性：
from itertools import starmap
# 批量定义：DataFrame列表 + 对应的iteration列表
dataframes = [df1, df2]
iteration_lists = [
['1_1', '2_2', '3_3', '9_9'],
['1_1', '2_2', '5_5', '6_6']
]
# 一行完成全部对齐与拼接
df3 = pd.concat(
starmap(align_by_iteration, zip(dataframes, iteration_lists)),
axis=1
)该写法清晰分离了“数据源”与“抽取规则”，便于后续扩展（如加入df3、df4）或动态生成iteration_lists。
⚠️ 注意事项与最佳实践
- reindex vs loc：reindex会保留目标列表中的重复项并允许缺失（填NaN），而df.set_index('iteration').loc[target_iters]要求所有值必须存在，否则抛出KeyError。推荐优先使用reindex以增强鲁棒性。
-
列名冲突处理：若多个DataFrame包含同名列（如都含IOPS），拼接后将自动添加.1, .2后缀。如需统一前缀，可在align_by_iteration中加入列重命名：
.add_prefix('df1_') # 在 reset_index() 前调用 - 性能提示：对超大DataFrame，避免多次set_index。可预先构建索引版本缓存复用。
- 空值检查：建议拼接后用df3.isna().sum()快速验证是否有意外缺失，尤其当iteration拼写不一致时（如'1_1 '含空格）。
通过上述方法，你不仅能精准控制每行数据的来源与顺序，还能灵活适配任意数量的数据源，为实验报告、A/B测试分析或自动化监控看板提供坚实的数据整合基础。
