Python 在pulp中对字典的一个值应用约束

我需要在我的字典的值部分应用一个约束，我使用纸浆来解决一个优化问题。 我有一个食品数据，其中包含食品项目信息、营养信息和每份/份成本

我的代码运行良好，为我提供了每种食物的份数，并将成本降至最低。我需要对每种食物的数量应用一个过滤器，n是一种特定食物的消费数量

来自纸浆进口*
作为pd进口熊猫
prob=LpProblem（“简单饮食问题”，LpProblem）
df=pd.read_excel（“diet-medium.xls”，nrows=17）
食品项目=列表（df[‘食品’）
成本=dict（邮政编码（食品项目，df[‘价格/服务’））
卡路里=dict（zip（食物项目，df[‘卡路里’））
fat=dict（zip（食品项目，df[‘总脂肪（g）’））
碳水化合物=dict（zip（食品项目，df[‘碳水化合物（g）’））
食物变量=LpVariable.dicts（“食物”，食物项，下限=0，cat='Continuous'）
prob+=lpSum（[成本[i]*食品中i项的食品变量[i]）
prob+=lpSum（[卡路里[f]*食品中f的食品变量[f]）>=800.0
prob+=lpSum（[卡路里[f]*食物中的食物变量[f]）0:
打印（v.name，“=”，v.varValue）
obj=值（概率目标）
打印（“这种均衡饮食的总成本为：${}”。格式（圆形（obj，2）））

如果我理解正确，您是在询问如何在循环中添加约束，而不是逐个添加约束。如果是这样，一般做法如下：

for f in food_items:
    prob += food_vars[f] <= max_qty[f]

食品中f的

：
prob+=食物变量[f]您需要执行以下操作：

创建列标题列表-用于创建约束的所有因素：

factors = []
for col in data.columns:
    factors.append(col)

for i in factors:
        prob += lpSum([my_dict[i][b] * amountVars[b] for b in food]) >= min_dict[i], ""
        prob += lpSum([my_dict[i][b] * amountVars[b] for b in food]) <= max_dict[i], ""


然后，您将创建一个字典字典，其中每个因素都是一个键，其中包含一个嵌套的食品目录和相应的数量

my_dict = {}

for i,j in enumerate(factors):
    my_dict[j] = {x[0]: x[i+1] for x in data_list}

在这里要小心你的切片；确保您了解哪些列是行名称，而不是数据的开头


用mins和maxes创建一个dict；以下是我的例子：

constraints = pd.read_excel("diet_large.xls")
constraints = constraints[7147:7149]
constraints = constraints.values.tolist()
mins = constraints[0][1:]
maxs = constraints[1][1:]
min_dict = dict(zip(factors, mins))
max_dict = dict(zip(factors, maxs))


最后，您将设置目标函数和约束函数。下面我只是发布了一些限制条件：

factors = []
for col in data.columns:
    factors.append(col)

for i in factors:
        prob += lpSum([my_dict[i][b] * amountVars[b] for b in food]) >= min_dict[i], ""
        prob += lpSum([my_dict[i][b] * amountVars[b] for b in food]) <= max_dict[i], ""

对于i in因子：
prob+=lpSum（[my_dict[i][b]*amountVars[b]代表食物中的b]）>=min_dict[i]，“
prob+=lpSum（[my_dict[i][b]*amountVars[b]表示食品中的b]）您能否澄清“我需要对每种食品的数量应用一个过滤器，n是特定食品的消费数量。”？我不明白。您的意思是要添加一个约束，即每种食物生产的项目数量必须>=或是..相应的限制..特定食物项目不应增加其存储在my data csv中的最大数量..如果数据数量较少，则更容易应用..通过定义0