如何在python/pandas中高效地创建索引和列名组合矩阵

import pandas as pd

# 定义行索引和列索引
row_index = ['A', 'B', 'C']
column_index = [1, 2, 3]

# 创建多级索引
multi_index = pd.MultiIndex.from_product([row_index, column_index], names=['Row', 'Column'])

# 创建一个空的DataFrame
df = pd.DataFrame(index=multi_index)

print(df)

              Column
Row Column        
A   1         NaN
    2         NaN
    3         NaN
B   1         NaN
    2         NaN
    3         NaN
C   1         NaN
    2         NaN
    3         NaN

import pandas as pd
import itertools

# 定义行索引和列索引
row_index = ['A', 'B', 'C']
column_index = [1, 2, 3]

# 生成所有可能的组合
combinations = list(itertools.product(row_index, column_index))

# 创建一个空的DataFrame
df = pd.DataFrame(index=[comb[0] for comb in combinations], columns=[comb[1] for comb in combinations])

print(df)

     1    2    3
A  NaN  NaN  NaN
B  NaN  NaN  NaN
C  NaN  NaN  NaN

import pandas as pd

# 定义行索引和列索引
row_index = ['A', 'B', 'C']
column_index = [1, 2, 3]

# 创建一个包含数据的字典
data = {col: [None] * len(row_index) for col in column_index}

# 创建DataFrame
df = pd.DataFrame(data, index=row_index)

print(df)

     1    2    3
A  NaN  NaN  NaN
B  NaN  NaN  NaN
C  NaN  NaN  NaN

import dask.dataframe as dd

# 定义行索引和列索引
row_index = ['A', 'B', 'C'] * 1000
column_index = [1, 2, 3] * 1000

# 创建一个包含数据的字典
data = {col: [None] * len(row_index) for col in column_index}

# 创建Dask DataFrame
ddf = dd.from_pandas(pd.DataFrame(data, index=row_index), npartitions=10)

print(ddf.compute())