本文介绍一种不丢失原始列名、不进行键对齐合并的垂直拼接方法：将每个 dataframe 的列名转为数据行，再统一按行拼接，适用于列集不一致但需保留结构语义的场景。
本文介绍一种不丢失原始列名、不进行键对齐合并的垂直拼接方法：将每个 dataframe 的列名转为数据行，再统一按行拼接，适用于列集不一致但需保留结构语义的场景。
在 Pandas 中，常规的 pd.concat([df1, df2], axis=0) 会自动对齐列名（缺失列补 NaN），但不会将列标题本身作为数据行插入——而你的需求是：将 df2 完整“贴在” df1 下方，且 df2 的列名（如 'Key1', 'Key4', 'Key7'）需作为新数据行显式出现在结果中，而非仅隐式参与对齐。
核心思路是：将每个 DataFrame 拆解为两部分——列名行 + 数据行，再分别拼接。以下是两种稳健、可扩展的实现方式：
✅ 方法一：双 concat（推荐，类型安全、逻辑清晰）
import pandas as pd
data1 = {'Key1': ['Value1'], 'Key2': ['Value2'], 'Key3': ['Value3'],
'Key4': ['Value4'], 'Key5': ['Value5']}
data2 = {'Key1': ['Value1', 'Value4'],
'Key4': ['Value2', 'Value5'],
'Key7': ['Value3', 'Value6']}
df1 = pd.DataFrame(data1)
df2 = pd.DataFrame(data2)
# 步骤：对每个 df，先构造 [列名行] + [数据行]
dfs_processed = []
for df in [df1, df2]:
# 创建列名行（1行DataFrame，列数与原df列数一致）
header_row = pd.DataFrame([df.columns.tolist()])
# 创建数据行（保持原始 dtype）
data_rows = pd.DataFrame(df.values)
# 垂直拼接：列名行 + 数据行
combined = pd.concat([header_row, data_rows], ignore_index=True)
dfs_processed.append(combined)
# 最终将所有 processed df 垂直拼接
result = pd.concat(dfs_processed, ignore_index=True)
result.columns = [f"Col_{i}" for i in range(len(result.columns))] # 可选：重命名通用列名
print(result)
输出：
Col_0 Col_1 Col_2 Col_3 Col_4 0 Key1 Key2 Key3 Key4 Key5 1 Value1 Value2 Value3 Value4 Value5 2 Key1 Key4 Key7 None None 3 Value1 Value2 Value3 None None 4 Value4 Value5 Value6 None None
✅ 优势：不依赖 .T 转置，避免因混合数据类型导致 object 列被强制转换；df.values 保留原始值，[df.columns.tolist()] 确保列名作为字符串准确落位。
⚠️ 方法二：转置 + reset_index（简洁但有局限）
# 仅适用于所有列均可安全转置的场景（无索引冲突、无重复列名）
out = pd.concat(
[d.T.reset_index(drop=True).T for d in [df1, df2]],
ignore_index=True
)
⚠️ 注意：reset_index(drop=True) 在转置后重置行索引，但若原始 DataFrame 含非唯一索引或特殊 dtype（如 datetime），可能引发隐式类型转换或对齐异常，生产环境建议优先使用方法一。
? 关键说明与注意事项
- 不删除/覆盖原始键：本方案完全绕过 join / merge / align 逻辑，列名作为普通字符串写入数据，原始键信息零丢失；
- 列数自动扩展：结果列数 = max(len(df1.columns), len(df2.columns))，不足处自动填充 NaN（Pandas 默认行为）；
- 可扩展性：支持任意数量 DataFrame（只需将 [df1, df2] 替换为 dfs = [df1, df2, df3, ...]）；
- 后续处理建议：若需将首行设为列名（如转为标准表结构），可用 result.iloc[0] 赋给 columns 并 drop(0)，但需注意数据类型一致性。
通过该方法，你既能严格保留各 DataFrame 的语义结构（列名即元数据），又能实现真正“所见即所得”的垂直堆叠，是处理异构报表、日志片段或模板化数据拼接的理想方案。
