本文详解为何 for df in dfs: df = df.T 无法真正修改原列表中的 DataFrame，以及如何通过索引赋值或 inplace 参数（如适用）正确实现批量转置，并兼顾日期列处理等常见后续操作。
本文详解为何 `for df in dfs: df = df.t` 无法真正修改原列表中的 dataframe，以及如何通过索引赋值或 `inplace` 参数（如适用）正确实现批量转置，并兼顾日期列处理等常见后续操作。
在使用 Pandas 处理多组时间序列数据时，常遇到一组结构相似的 DataFrame（例如：75 列为日期、行数不等），需统一转置以适配绘图需求（如将日期转为行索引、变量转为列）。此时若尝试用 for df in dfs: df = df.T，看似简洁，实则无效——因为该写法仅将局部变量 df 重新绑定到新 DataFrame 对象，原列表 dfs 中的元素并未被更新。
根本原因在于：Pandas 的 df.T 总是返回一个新 DataFrame（不可变操作），而 Python 的 for 循环中对迭代变量的赋值不会影响容器本身。df.transpose() 同理（注意方法名为 transpose，非 tranpose），且它也默认不支持 inplace=True（Pandas 1.5+ 已明确移除 inplace 参数支持）。
✅ 正确做法是直接修改列表元素，推荐以下两种方式：
方式一：按索引赋值（最通用、推荐）
for i in range(len(dfs)):
dfs[i] = dfs[i].T # 赋值回原列表位置方式二：使用 enumerate（更 Pythonic）
for i, df in enumerate(dfs):
dfs[i] = df.T # 注意：不是 df = df.T！完成转置后，可顺带处理日期列（原列名现为行索引）：
for i, df in enumerate(dfs):
dfs[i] = df.T
# 将新索引（原列名）转为 datetime，并设为索引
dfs[i].index = pd.to_datetime(dfs[i].index)
# 可选：重命名索引以明确语义
dfs[i].index.name = 'date'⚠️ 注意事项：
- 不要依赖 inplace=True 实现转置——transpose() 从 Pandas 1.5.0 起已完全弃用 inplace 参数；
- 若 DataFrame 含非唯一列名，转置后可能引发索引冲突，建议提前检查：df.columns.is_unique；
- 大量 DataFrame 批量操作时，避免频繁 .copy()；上述赋值方式内存效率高，但会改变原始引用；
- 如需保留原始列表不变，应先深拷贝：dfs_copy = [df.copy() for df in dfs]，再对 dfs_copy 操作。
总结：Pandas 的转置本质是创建新对象，所谓“就地”实为“就列表位置”。掌握索引赋值逻辑，配合 enumerate 或 range(len())，即可安全、高效地批量转置并链式处理数据。
