避免在使用多个python列表时使用'i'进行索引

下面是在生成一些合成数据时出现的

示例代码：

将numpy导入为np
def示例(
*,
n_vars=4，
n=10，
flag_1=真，
flag_2=真，
flag_3=真，
):
数据={}
如果标志_1：
刻度=[2用于范围（n）]
其他：
刻度=[np.random.randint（0,10）表示范围（n）]
如果标志_2：
locs=[2用于范围内（n）]
其他：
locs=[np.random.randint（0,10）表示范围（n）]
对于范围内的i（n_变量）：
数据[f“var{i}]=np.random.normal（loc=locs[i]，scale=scales[i]，size=n）
返回pd.DataFrame（数据）

我不确定的是如何使用多个列表中的值以及计数器。在循环中使用

locs[i]

感觉很不自然（至少在python中是这样）。但是使用类似于

enumerate（some_list）

的方法在这里不起作用（因为我有多个列表），而

zip（list1，list2）

也不起作用，因为我需要计数器

类似于

enumerate（zip（list_1，list_2））

的东西可以在每次迭代中提供一个计数器和一个元组，尽管如果我有三个列表，感觉它也会崩溃

以下是另一种方法：

将numpy导入为np
def示例2(
*,
n_vars=4，
n=6，
flag_loc=真，
flag_scale=True，
):
数据={}
np.随机种子（1）
#为loc/scale构建阵列
random_data=np.random.randint（0，10，size=（n_变量，2））
随机数据[：，0]=随机数据[：，0]*int（标志位置）+int（非标志位置）*2
随机数据[：，1]=随机数据[：，1]*int（标志刻度）+int（非标志刻度）*2
随机数据=pd.DataFrame(
{
“locs”：np.random.randint（0，10，size=（n_变量））
如果旗标锁定
else[2]*n_vars，
“尺度”：np.random.randint（0,10，size=（n_变量））
如果旗标
else[2]*n_vars，
}
)
对于随机_数据中的i，r.ItErrors（）：
数据[f“x{i}”]=np.random.normal（loc=r[“locs”]，scale=r[“scales”]，size=n）
返回pd.DataFrame（数据）

返回

          x0         x1        x2        x3
0   5.559480  11.236594  5.726233  4.749504
1  10.261197   9.111226  8.827740  3.053234
2   9.386170   9.753313 -1.567655  3.090958
3   5.465608   9.752270  8.942386  3.829324
4   9.626370   8.671618 -0.524433  7.006377
5  10.674446   8.830913 -1.629373  6.321282

这也许是一个更好的，但仍然觉得它缺乏

解决方案 我理解可能存在一些主观性——但我确实觉得python中有一种比我所写的更好的方法。我很高兴有一个解决方案可以使用基本python，或者包含numpy/pandas。

您可以使用

zip（）

一次循环浏览多个列表，还可以更深入地使用列表理解

import numpy as np
import pandas as pd

def example(*, n_vars=4, n=10, flag_1=True, flag_2=True, flag_3=True):
    data = {}

    scales = [2 if flag_1 else np.random.randint(0, 10) for _ in range(n)]
    locs = [2 if flag_2 else np.random.randint(0, 10) for _ in range(n)]

    data = {f"var_{i}": np.random.normal(loc=loc, scale=scale, size=n) for i, loc, scale in zip(range(n_vars), locs, scales)}

    return pd.DataFrame(data)

print(example())

---

我也用一些很好的听写理解更新了我的答案：）