从numpy数组构建一个列式数据框架的非常有效和优雅的方法是构建一个列的字典，然后将它们立即转换为所需的数据框架，因为这意味着整合数据和管理索引的成本只需支付一次。
如果我用foo2_dict变体扩展@SultanOrazbayev的example：

def foo2_dict(df):
    new_columns = pd.DataFrame({f"FOO_{i}": bar(df) for i in range(N)}, index=df.index)
    return pd.concat([df, new_columns], axis=1)

从foo2_opt（390ms）到foo2_dict（58ms），我看到了一个额外的因子6改进，但这当然高度依赖于底层bar函数的实际实现。
还要注意的是，通过使用字典理解的速度提高是次要的，而不是bunch numpy-> pandas转换，即。一个foo2_incremental_dict对我来说需要59ms。

def foo2_incremental_dict(df):
    new_columns = {}
    for i in range(N):
        new_columns[f"FOO_{i}"] = bar(df)
    new_columns = pd.DataFrame(new_columns, index=df.index)

    return pd.concat([df, new_columns], axis=1)

优化代码的一个机会是将+=重新构建为列表理解：

import pandas as pd

N = 5000
df = pd.DataFrame(index=[_ for _ in range(100)])

def bar(df):
    return np.random.rand(len(df))

def foo2_orig(df):
    frames = [df]
    for i in range(N):
        frames += [pd.Series(bar(df), index=df.index)]
    return pd.concat(frames, axis=1)

def foo2_opt(df):
    frames = pd.concat([pd.Series(bar(df), index=df.index) for i in range(N)], axis=1)
    return pd.concat([df, frames], axis=1)

在我的机器上，我看到性能提高了2倍，尽管我不确定100行和5000列是否适合您的情况。加速的原因是list comprehensions are more efficient。
更新：
如果列名列表已知（list_col_names），则可以使用name kwarg为各个系列分配自定义列名：

def foo2_opt(df):
    frames = pd.concat([pd.Series(bar(df), index=df.index, name=col_name) for i, col_name in zip(range(N), list_col_names)], axis=1)
    return pd.concat([df, frames], axis=1)