在 pyspark 中无法直接通过字符串拼接动态创建变量名进行赋值；应使用字典将动态生成的名称作为键、dataframe 作为值统一管理，既安全又便于后续合并或调用。
在数据处理流程中，常需对多个字段（如 ["name", "skill"]）执行相同逻辑，并为每个字段生成独立的中间 DataFrame，最终再合并分析。但许多开发者会尝试如下写法：
for c in attributes:
c + '_df_name' = df.select(lit('xyz')) # ❌ 语法错误：不能给表达式赋值这会触发 SyntaxError: cannot assign to expression —— 因为 c + '_df_name' 是一个运行时计算出的字符串对象，而非合法的左值（l-value），Python 不允许将值赋给字符串字面量。
即使改用临时变量：
for c in attributes:
df_name = c + '_df_name' # ✅ 字符串赋值成功
df_name = df.select(lit('xyz')) # ✅ 但此处只是覆盖了 df_name 变量本身此时 df_name 始终指向最新一次循环的结果，且 name_df_name、skill_df_name 等变量根本未被定义，自然调用时报 NameError。
✅ 正确做法是：用字典（dict）作为命名空间容器，以动态生成的字符串为键，以 DataFrame 为值：
from pyspark.sql import SparkSession
from pyspark.sql.functions import lit
spark = SparkSession.builder.appName("dynamic-df-assignment").getOrCreate()
data = [("John", 25), ("Alice", 30), ("Bob", 35)]
columns = ["name", "age"]
df = spark.createDataFrame(data, columns)
attributes = ["name", "skill"]
# ✅ 推荐：使用字典统一管理动态命名的 DataFrames
data_frames = {f"{c}_df": df.select(lit(c).alias("source_field"), lit("xyz").alias("value"))
for c in attributes}
# 查看所有生成的 DataFrame 名称
print("Available DataFrame keys:", list(data_frames.keys()))
# 输出: ['name_df', 'skill_df']
# 按需访问特定 DataFrame
name_df = data_frames["name_df"]
skill_df = data_frames["skill_df"]
name_df.show()
# +------------+-----+
# |source_field|value|
# +------------+-----+
# | name| xyz|
# +------------+-----+
# 后续可轻松合并（例如 union 或 join）
from functools import reduce
from pyspark.sql import DataFrame
combined_df = reduce(DataFrame.unionByName, data_frames.values())
combined_df.show()
# +------------+-----+
# |source_field|value|
# +------------+-----+
# | name| xyz|
# | skill| xyz|
# +------------+-----+⚠️ 注意事项：
- 避免使用 locals() 或 globals() 动态注入变量（如 locals()[key] = value），虽技术上可行，但破坏作用域清晰性、影响可读性与调试，且在函数/类作用域内可能失效，属于反模式；
- 字典方案天然支持 .keys()、.values()、.items() 迭代，也兼容 pandas.concat()（若转为 Pandas）、spark.sql() 注册临时视图等扩展操作；
- 若需注册为临时表供 SQL 查询，可进一步调用：data_frames["name_df"].createOrReplaceTempView("name_df")。
总结：动态命名的本质不是“造变量”，而是“建映射”。用字典替代动态变量声明，是 Python 和 PySpark 生态中清晰、健壮、可维护的标准实践。
