我只是认为下面的工作，这已经接近我试图实现的：

a,b,c = df.T.values        # Common
a,b,c = df.T.to_numpy()    # Recommended
# a,b,c = df.T.as_matrix() # Deprecated

**详细信息：**和往常一样，事情比你想象的要复杂一些。请注意，一个pd.DataFramestores在Series中是分开列的。调用df.values（或更好的：df.to_numpy()）可能是“昂贵的”，因为它将列组合在单个ndarray中，这可能涉及复制操作和类型转换。此外，结果容器具有能够容纳 Dataframe 中的所有数据的单个dtype。

总之，上述方法会丢失每列的数据类型信息，而且可能会导致开销增加。从技术上讲，用以下方法之一迭代列会更干净（有更多的选择）：

# The following alternatives create VIEWS!
a,b,c = (v for _,v in df.items())      # returns pd.Series
a,b,c = (df[c] for c in df)            # returns pd.Series

注意上面创建了视图！修改数据可能会触发SettingWithCopyWarning。

a.iloc[0] = "blabla"    # raises SettingWithCopyWarning

如果要修改解压缩的变量，则必须复制列。

# The following alternatives create COPIES!
a,b,c = (v.copy() for _,v in df.items())      # returns pd.Series
a,b,c = (df[c].copy() for c in df)            # returns pd.Series
a,b,c = (df[c].to_numpy() for c in df)        # returns np.ndarray

虽然这更干净，但它需要更多的字符。我个人不推荐上述方法用于生产代码。但为了避免打字（eidogg.，在交互式环境会话中），它仍然是一个公平的选择。

# More verbose and explicit alternatives
a,b,c = df["the first col"], df["the second col"], df["the third col"]
a,b,c = df.iloc[:,0], df.iloc[:,1], df.iloc[:,2]

所示的dataframe.values方法确实是一个很好的解决方案，但它涉及到构建一个numpy数组。
如果你想在拆包后访问Pandas系列的方法，我个人使用不同的方法。
对于像我这样使用大量链式方法的人，我有一个解决方案，就是给panda添加一个自定义的解包方法。注意，这可能对生产管道不是很好，但在临时数据分析中非常方便。

df = pd.DataFrame({
    "lat": [30, 40], 
    "lon": [0, 1],
})

此方法涉及在.unpack()调用上返回生成器。

from typing import Tuple

def unpack(self: pd.DataFrame) -> Tuple[pd.Series]:
    return (
        self[col]
        for col in self.columns
    )

pd.DataFrame.unpack = unpack

这可以通过两种主要方式使用。
或者直接作为问题的解决方案：

lat, lon = df.unpack()

或者，也可以用在方法链接中。想象一个geo函数，它必须在第一个参数中获取纬度序列，在第二个参数中获取经度序列，命名为do_something_geographical(lat, lon)

df_result = (
    df
        .(...some method chaining...)
        .assign(
            geographic_result=lambda dataframe: do_something_geographical(dataframe[["lat", "lon"]].unpack())
        )
        .(...some method chaining...)
)