本文介绍如何使用 NumPy 和 Pandas 的向量化操作，高效地为 DataFrame 中多个命名规律的列（如 fan1_rpm 至 fan14_rpm）一次性初始化相同范围、同长度的随机整数，避免重复赋值语句。
本文介绍如何使用 numpy 和 pandes 的向量化操作，高效地为 dataframe 中多个命名规律的列（如 fan1_rpm 至 fan14_rpm）一次性初始化相同范围、同长度的随机整数，避免重复赋值语句。
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。若手动逐列赋值（如 df['fan1_rpm'] = ...），不仅冗长易错，也违背 Python 的“简洁即美”原则。更 Pythonic 的方式是利用 NumPy 的广播能力与 Pandas 的列批量赋值机制，实现一次生成、批量写入。
核心思路如下：
-
动态生成列名列表：利用列表推导式按命名规则构造
['fan1_rpm', 'fan2_rpm', ..., 'fan14_rpm']； -
批量生成随机数组：调用
np.random.randint(low, high, size)生成形状为(n_rows, n_cols)的二维数组； -
直接赋值给多列：通过
df[column_list] = array语法，Pandas 会自动按列顺序对齐并写入。
✅ 示例代码（推荐写法）：
import pandas as pd
import numpy as np
# 假设已有空 DataFrame 或需初始化的 df（含 30 行）
df = pd.DataFrame(index=range(30))
n_cols = 14
cols = [f"fan{i}_rpm" for i in range(1, n_cols + 1)]
# 一行完成全部列的随机初始化
df[cols] = np.random.randint(5675, 5725, size=(len(df), n_cols))⚠️ 注意事项：
-
np.random.randint(low, high)的high是左闭右开区间，即生成[5675, 5725)内的整数（含 5675，不含 5725）。若需包含 5725，请将high改为5726； -
size参数必须为元组(n_rows, n_cols)，不可省略括号（如(30, 14)），否则会生成一维数组，导致列对齐失败； - 确保目标列名在
df中已存在或允许新增列（如本例中df初始化为空，Pandas 会自动创建新列）； - 如需复现结果，建议设置随机种子：
np.random.seed(42)（放在生成前）。
? 进阶提示：若列名模式更复杂（如混合 fan, temp, voltage），可将列名列表预先定义为变量，或用正则/配置字典驱动，保持逻辑清晰与可维护性。批量初始化不仅是代码行数的减少，更是向量化思维的体现——让数据操作真正“以数组为中心”。
