引言

在Python數(shù)據(jù)分析中，Pandas的DataFrame是最常用的數(shù)據(jù)結(jié)構(gòu)之一。然而，當(dāng)需要與只接受列表的API交互，或進(jìn)行某些算法輸入時(shí)，將DataFrame轉(zhuǎn)換為列表就成為必要操作。本文將為你詳解5種主流轉(zhuǎn)換方法，并通過(guò)實(shí)測(cè)數(shù)據(jù)揭示它們的性能差異，助你輕松應(yīng)對(duì)各種轉(zhuǎn)換場(chǎng)景。

一、基礎(chǔ)轉(zhuǎn)換方法解析

1. tolist()直接轉(zhuǎn)換法

適用場(chǎng)景：?jiǎn)瘟袛?shù)據(jù)快速提取

語(yǔ)法：df['列名'].tolist()

特點(diǎn)：

• 直接調(diào)用Series對(duì)象的tolist()方法，代碼最簡(jiǎn)潔
• 自動(dòng)處理缺失值（NaN會(huì)被保留在列表中）

示例：

import pandas as pd
df = pd.DataFrame({'Name': ['Alice', 'Bob'], 'Age': [25, 30]})
name_list = df['Name'].tolist()  # 輸出：['Alice', 'Bob']

2. values.tolist()矩陣轉(zhuǎn)換法

適用場(chǎng)景：全量數(shù)據(jù)按行轉(zhuǎn)換

語(yǔ)法：df.values.tolist()

特點(diǎn)：

• 先將DataFrame轉(zhuǎn)為NumPy矩陣，再轉(zhuǎn)換為嵌套列表
• 每行數(shù)據(jù)成為一個(gè)子列表，保留原始數(shù)據(jù)結(jié)構(gòu)

示例：

matrix_list = df.values.tolist()  
# 輸出：[['Alice', 25], ['Bob', 30]]

3. to_numpy().tolist()增強(qiáng)轉(zhuǎn)換法

適用場(chǎng)景：混合數(shù)據(jù)類(lèi)型處理

語(yǔ)法：df.to_numpy().tolist()

特點(diǎn)：

• pandas 0.24+版本支持，比values更靈活
• 能更好處理整數(shù)/浮點(diǎn)數(shù)混合類(lèi)型

示例：

numpy_list = df.to_numpy().tolist()  # 輸出同上

4. 列表推導(dǎo)式轉(zhuǎn)換法

適用場(chǎng)景：需要額外處理的轉(zhuǎn)換

語(yǔ)法：[list(row) for _, row in df.iterrows()]

特點(diǎn)：

• 逐行處理，可添加過(guò)濾/修改邏輯
• 內(nèi)存占用更低，適合超大數(shù)據(jù)集

示例：

comprehension_list = [list(row) for _, row in df.iterrows()]

5. flatten()扁平化轉(zhuǎn)換法

適用場(chǎng)景：獲取所有值的一維列表

語(yǔ)法：df.values.flatten().tolist()

特點(diǎn)：

• 將二維數(shù)據(jù)轉(zhuǎn)換為一維列表
• 丟失行列結(jié)構(gòu)信息

示例：

flat_list = df.values.flatten().tolist()  
# 輸出：['Alice', 25, 'Bob', 30]

二、性能實(shí)測(cè)對(duì)比

測(cè)試環(huán)境

系統(tǒng)：Windows 11，Python 3.10，Pandas 1.5.3

數(shù)據(jù)規(guī)模：10萬(wàn)行×3列（整型+浮點(diǎn)型+字符串）

結(jié)論：

速度王者：values.tolist()在速度（快20%）和內(nèi)存（比推導(dǎo)式低30%）上表現(xiàn)最優(yōu)

靈活之選：to_numpy().tolist()在處理混合數(shù)據(jù)類(lèi)型時(shí)更穩(wěn)定

內(nèi)存敏感：超大數(shù)據(jù)集（>100萬(wàn)行）建議使用列表推導(dǎo)式，可節(jié)省40%內(nèi)存

避免使用：flatten()僅適用于特殊場(chǎng)景，效率最低且丟失結(jié)構(gòu)信息

三、進(jìn)階技巧與優(yōu)化策略

1. 類(lèi)型轉(zhuǎn)換優(yōu)化

# 強(qiáng)制轉(zhuǎn)換列類(lèi)型提升速度
df['Age'] = df['Age'].astype('int32')

2. 分塊處理大數(shù)據(jù)

chunk_size = 10000
result = []
for chunk in pd.read_csv('large_data.csv', chunksize=chunk_size):
    result.extend(chunk.values.tolist())

3. 并行加速（使用Dask）

import dask.dataframe as dd
ddf = dd.from_pandas(df, npartitions=4)
parallel_list = ddf.compute().values.tolist()

4. 內(nèi)存映射文件

# 處理超過(guò)內(nèi)存容量的大文件
with open('huge_data.csv', 'r') as f:
    df = pd.read_csv(f, iterator=True, chunksize=10000)
    # 分塊轉(zhuǎn)換...

四、典型應(yīng)用場(chǎng)景

機(jī)器學(xué)習(xí)輸入：使用values.tolist()將特征矩陣轉(zhuǎn)為算法接受的二維列表

API交互：用tolist()提取特定列數(shù)據(jù)發(fā)送HTTP請(qǐng)求

數(shù)據(jù)導(dǎo)出：to_dict('records')+json.dumps()生成JSON列表

可視化數(shù)據(jù)：將坐標(biāo)列轉(zhuǎn)換為列表輸入Matplotlib

結(jié)語(yǔ)

DataFrame轉(zhuǎn)列表看似簡(jiǎn)單，實(shí)則暗藏玄機(jī)。通過(guò)本文的5種方法對(duì)比和性能實(shí)測(cè)，你可以根據(jù)數(shù)據(jù)規(guī)模、類(lèi)型需求和處理場(chǎng)景，選擇最優(yōu)轉(zhuǎn)換策略。記?。簺](méi)有最好的方法，只有最適合的方案！下次遇到轉(zhuǎn)換需求時(shí)，不妨先問(wèn)問(wèn)自己：我需要速度、內(nèi)存還是靈活性？

到此這篇關(guān)于Python中DataFrame轉(zhuǎn)列表的最全指南的文章就介紹到這了,更多相關(guān)Python DataFrame轉(zhuǎn)列表內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論