本文详解为何 for df in dfs: df = df.T 无法就地修改原列表中的 DataFrame，以及如何通过索引赋值安全、高效地实现批量转置，并兼顾日期列处理等常见数据清洗需求。
本文详解为何 `for df in dfs: df = df.t` 无法就地修改原列表中的 dataframe，以及如何通过索引赋值安全、高效地实现批量转置，并兼顾日期列处理等常见数据清洗需求。
在使用 Pandas 处理多组结构相似的时间序列数据时，常遇到一类典型场景：你拥有一组 DataFrame（例如 50 个），每个都以日期为列名（如 '2023-01-01', '2023-01-02'）、以观测指标为行索引，行数不等（18–1000 行），列数固定（75 列）。为后续绘图或建模，需统一将每个 DataFrame 按列转置——即让原日期列变为行索引，原指标行变为列名。此时若尝试用如下惯用循环：
for df in dfs:
df = df.T # ❌ 无效：仅重绑定局部变量 df，不修改原列表该写法不会改变 dfs 列表中任何元素，因为 df 是每次迭代中新绑定的局部引用，df = df.T 仅让该局部变量指向新 DataFrame，原 dfs[i] 仍保持不变。
✅ 正确做法是通过索引直接更新列表元素，确保转置结果写回原位置：
for i in range(len(dfs)):
dfs[i] = dfs[i].T此方式显式访问并赋值 dfs[i]，使列表中第 i 个 DataFrame 被其转置版本替换。
进一步地，若还需在循环中同步完成其他清洗操作（如将列名（日期字符串）转换为 datetime 类型、重设索引、处理缺失值等），可一并整合：
import pandas as pd
for i in range(len(dfs)):
# 步骤1：转置
dfs[i] = dfs[i].T
# 步骤2：将列名（原日期字符串）转为 datetime，并设为索引（可选）
if not dfs[i].index.empty and isinstance(dfs[i].index[0], str):
try:
dfs[i].index = pd.to_datetime(dfs[i].index)
except ValueError:
print(f"Warning: Cannot parse index of dfs[{i}] as datetime.")
# 步骤3：可选——重命名列（如添加前缀标识来源）
# dfs[i].columns = [f"series_{j}" for j in range(len(dfs[i].columns))]⚠️ 注意事项：
- DataFrame.transpose()（或 .T）本身不支持 inplace=True 参数（Pandas 当前所有版本均如此），因此“真正就地转置”在技术上不可行；所谓“就地”，实际指就地更新容器（如列表）中的引用，而非原地修改内存对象。
- 若数据量极大（如单个 DataFrame 超千万单元格），频繁转置可能带来内存压力，建议确认是否必须转置——有时通过 df.stack()、melt() 或调整绘图逻辑（如 plt.plot(df.index, df[col])）可规避转置。
- 若原始列名含非标准日期格式（如 '01/Jan/2023'），请在 pd.to_datetime() 中指定 format= 或启用 infer_datetime_format=True 提升解析效率。
总结：对 DataFrame 列表执行批量转置，核心在于避免仅修改循环变量，而应通过索引（dfs[i] = ...）或枚举（for i, df in enumerate(dfs): dfs[i] = df.T）显式更新原容器。结合类型转换与异常处理，即可构建健壮、可维护的数据预处理流程。
