Python 对整个数据集重复相同的过程

给定数据帧df：

        1           1.1     2           2.1     ...     1600      1600.1
    0   45.1024     7.2365  45.8769     7.1937          34.1072   8.4643
    1   43.1024     8.9645  32.5798     7.7500          33.1072   9.3564
    2   42.1024     6.7498  25.1027     7.3496          26.1072   6.3665

我执行了以下操作：我选择了第一个

（1和1.1）

耦合并创建了一个数组。然后我对以下几对

（2和2.1）

做了同样的操作

及

最后的手术是：

Q_final = list(zip(Q[0], Q[1]))
P_final = list(zip(P[0], P[1]))

现在我想对整个数据集执行此操作。但这需要很多时间。你知道如何在短时间内重复这个吗

编辑

毕竟我在做什么

df = similaritymeasures.frechet_dist(P_final, Q_final)

---

所以我想得到一个包含所有列组合的新数据集（可能）

您可能不想创建1600个单独的变量。将其存储在容器中，如

dict

，其中键引用原始列句柄：

{idx: list(zip(gp.iloc[:, 0], gp.iloc[:, 1])) 
  for idx, gp in df.groupby(df.columns.str.split('.').str[0], axis=1)}
# or 
{idx: [*map(tuple, gp.to_numpy())] 
  for idx, gp in df.groupby(df.columns.str.split('.').str[0], axis=1)}

样品

---

一种简单的方法是跨轴1使用

agg

def f(s):
  s = iter(s)
  return list(zip(s,s))

agg = df.agg(f,1)

然后使用

.str

进行检索。比如说,

agg.str[0] # P_final
agg.str[1] # Q_final
.
.
.

---

此外，如果您需要每两列，则可以跨

axis=1

执行

groupby

df.groupby(np.arange(len(df.columns))//2, axis=1).apply(lambda s: s.agg(list,1))  

def f(s):
  s = iter(s)
  return list(zip(s,s))

agg = df.agg(f,1)

agg.str[0] # P_final
agg.str[1] # Q_final
.
.
.

df.groupby(np.arange(len(df.columns))//2, axis=1).apply(lambda s: s.agg(list,1))