17370845950

本文介绍一种高效、无警告的 pandas 方法：依据列名（如 'tridem' 重复3次、'tandem' 重复2次）动态扩展 dataframe 列，并将原值等比例分配到所有副本中，彻底规避 `performancewarning: indexing past lexsort depth`。

在处理轴载配置（如单轴、双联轴、三联轴）类工程数据时，常需按物理规则对列进行“展开”：例如 'Tridem' 表示三联轴，需将该列复制 3 份且每份取原值的 1/3；'Tandem' 表示双联轴，需复制 2 份且每份为原值的 1/2；而 'Single' 保持不变（复制 1 次）。原始代码使用循环 + 原地赋值的方式，不仅逻辑易错，更会触发 Pandas 的 PerformanceWarning——这是因为反复对未排序索引的 DataFrame 进行列级赋值，破坏了底层索引的 lexsort 状态，影响后续向量化操作性能。

推荐采用向量化、一次性构造方案，完全避免循环和就地修改。核心思路分三步：

1. 定义重复映射表：用字典明确各列名对应的重复次数；
2. 广播除法：对整行按列重复数做 div()，实现值的等分；
3. 列维度重复：用 np.repeat 同时重复列名与对应数据列。

以下是完整可运行代码：

import pandas as pd
import numpy as np

# 构造原始 DataFrame（注意：修正原问题中 columns=[name] 的错误写法）
weight = [700, 1500, 1200, 2700]
name = ['Single', 'Tridem', 'Tandem', 'Tridem']
ol_axle = pd.DataFrame([weight], columns=name)  # ✅ 正确：columns=name，非 [name]

# 定义重复规则：列名 → 复制次数
n_map = {'Single': 1, 'Tandem': 2, 'Tridem': 3}

# 步骤1：获取每列对应重复次数（Series，长度=原列数）
rep_series = ol_axle.columns.map(n_map)

# 步骤2：对原 DataFrame 按列广播除法（axis=1 确保按列除）
divided_df = ol_axle.div(rep_series, axis=1)

# 步骤3：使用 np.repeat 扩展列（数据 + 列名同步重复）
expanded_data = np.repeat(divided_df.values, rep_series, axis=1)
expanded_columns = np.repeat(ol_axle.columns, rep_series)

# 构造最终 DataFrame
result = pd.DataFrame(expanded_data, 
                      columns=expanded_columns, 
                      index=ol_axle.index)

print(result)

输出结果：

   Single  Tridem  Tridem  Tridem  Tandem  Tandem  Tridem  Tridem  Tridem
0   700.0   500.0   500.0   500.0   600.0   600.0   900.0   900.0   900.0

✅ 优势总结：

• 零警告：全程不修改原 DataFrame，不触发索引重排序警告；
• 高性能：基于 NumPy 向量化操作，比 Python 循环快 10x+；
• 可扩展：只需更新 n_map 字典即可支持新轴型（如 'Quad': 4）；
• 健壮性高：自动处理列名重复（如两个 'Tridem' 被独立计算），无需手动标记状态变量。

⚠️ 注意事项：

• 原始代码中 columns=[name] 会导致列名为 [['Single','Tridem','Tandem','Tridem']]（嵌套列表），务必改为 columns=name；
• 若列名含大小写混合或空格，建议先标准化（如 df.columns.str.strip().str.title()）再映射；
• 对于多行 DataFrame，本方法同样适用（div() 和 np.repeat 均支持多行）。

此方案兼顾简洁性、可读性与工业级鲁棒性，是处理此类“语义化列展开”任务的标准实践。