本文介绍如何使用numpy和pandas高效地为dataframe中多个命名规律的列（如fan1_rpm、fan2_rpm等）一次性初始化相同范围的随机整数，避免重复赋值，大幅提升代码简洁性与可维护性。
本文介绍如何使用numpy和pandas高效地为dataframe中多个命名规律的列（如fan1_rpm、fan2_rpm等）一次性初始化相同范围的随机整数，避免重复赋值，大幅提升代码简洁性与可维护性。
在数据预处理或模拟测试场景中，常需为多个结构相似的列批量填充随机整数（例如风扇转速、传感器读数等）。若手动逐列赋值（如 df['fan1_rpm'] = np.random.randint(...)），不仅冗长易错，且难以扩展。Pythonic 的解决方案是向量化生成 + 批量赋值，充分利用 NumPy 的广播能力和 Pandas 的列索引机制。
✅ 推荐写法（一行核心操作）
import numpy as np
import pandas as pd
# 假设 df 已存在（例如：df = pd.DataFrame(index=range(30)))
n_cols = 14
cols = [f"fan{i}_rpm" for i in range(1, n_cols + 1)]
# 一行完成：生成 (30, 14) 随机整数矩阵，并批量赋给指定列
df[cols] = np.random.randint(5675, 5725, size=(len(df), n_cols))
? 关键原理：
np.random.randint(low, high, size=(rows, cols))返回二维数组；Pandas 允许直接用列名列表df[cols]接收该数组，自动按列对齐——前提是列数匹配且df行数一致。
⚠️ 注意事项
-
行数必须一致：
size中的行数（如len(df)）应严格等于df的实际行数，否则会报错ValueError: Shape of passed values is ...； -
列名需预先存在或允许新增：若
cols中某些列尚不存在，Pandas 会自动创建；若仅想更新已有列，请先确保列已定义（如df = df.reindex(columns=df.columns.union(cols))）； -
范围理解：
np.random.randint(5675, 5725)生成的是[5675, 5725)区间内的整数（即含5675，不含5725）； -
可复现性：如需结果可重现，务必设置随机种子：
np.random.seed(42)（放在生成前）。
? 扩展技巧
若列名模式更复杂（如 fan_01_rpm, fan_02_rpm 或混合前缀），可灵活构造 cols 列表：
# 零填充编号
cols = [f"fan_{i:02d}_rpm" for i in range(1, 15)]
# 多组不同范围？用字典驱动
config = {"fan_rpm": (5675, 5725), "temp_c": (20, 35), "voltage_v": (11.8, 12.2)}
for col_prefix, (low, high) in config.items():
n = 14 if col_prefix == "fan_rpm" else 4 # 每组列数可不同
sub_cols = [f"{col_prefix}_{i}" for i in range(1, n+1)]
df[sub_cols] = np.random.randint(low, high, size=(len(df), n))
通过这一方法，14列的初始化从14行重复代码压缩为3行核心逻辑，清晰、高效、易维护——这正是 Python 数据科学工作流所推崇的“向量化思维”。
