如何在代码中规范编写大型数组/DataFrame？

把大型预设数据硬编码在代码里确实不是最优解——既不便于维护（修改数据要改代码），也降低了代码可读性，大厂普遍遵循数据与代码分离的原则来处理这类场景，以下是具体实践方案：

1. 用外部文件存储数据，按需读取 #

这是最常用的方案，把数据从代码中剥离到独立文件，既方便修改，也能让代码更简洁。

• 适用文件类型：
  • CSV：最通用的结构化数据格式，适合你这种单列数值的场景，编辑和读取都简单
  • Excel：如果需要和非技术同事共享、编辑数据，用Excel更友好
  • JSON/YAML：如果后续需要扩展数据字段（比如给厚度加对应的材质、规格），这类格式支持嵌套结构，扩展性更强
• 代码示例（Python + Pandas）：
  假设把厚度数据逐行写入data/sheet_thickness.csv文件，读取代码如下：

  import pandas as pd
  # 读取CSV为DataFrame，指定列名
  df = pd.read_csv("data/sheet_thickness.csv", header=None, names=["thickness"])
  

  如果用Excel文件：

  df = pd.read_excel("data/sheet_thickness.xlsx", sheet_name="Sheet1", header=None, names=["thickness"])
  

• 优势：数据修改无需改动代码，直接编辑外部文件；数据可单独做版本控制（比如用Git跟踪CSV文件的变更记录）；代码逻辑更清晰。

2. 放在配置文件中管理 #

如果数据量不算极大，但希望和项目配置项统一管理，可以用YAML/INI这类配置文件：

• 示例config/sheet_config.yaml：

  sheet_specs:
    thickness_list:
      - 2
      - 5
      - 6
      # 其余数值按格式补充
  

• 读取代码：

  import yaml
  import pandas as pd
  
  with open("config/sheet_config.yaml", "r", encoding="utf-8") as f:
      config = yaml.safe_load(f)
  df = pd.DataFrame(config["sheet_specs"]["thickness_list"], columns=["thickness"])
  

3. 代码内硬编码的优化（万不得已时用） #

如果因为特殊限制必须把数据留在代码里，至少要优化格式提升可读性：

• 按逻辑分组换行，加注释说明分组规则，比如按厚度范围、批次分类：

  Sheet_thickness = [
      # 薄规格（≤5mm）
      2, 5, 1, 2.5, 1.5, 1, 2, 1, 1, 1, 1.5, 3, 3, 4, 5, 2, 1, 1.5, 2, 2.5, 1.5,
      # 中规格（6-20mm）
      6, 12, 10, 8, 6, 4, 3, 8, 10, 12, 20, 22, 3, 6, 12, 15, 20, 6, 12, 20, 12, 6, 10, 11, 12, 8, 10, 11, 12, 20, 12, 8, 6, 2, 10, 3, 2, 4, 5, 6,
      # 厚规格（≥25mm）
      25, 50, 75, 101, 25, 50
  ]
  df = pd.DataFrame(Sheet_thickness, columns=["thickness"])
  

额外规范要点 #

• 项目目录结构要清晰：单独建data/或config/文件夹存放数据/配置文件，避免和代码文件混放
• 给数据文件加说明：在data/目录下写README.md，说明数据的来源、含义、更新记录
• 缓存读取结果：如果数据是只读且不会变更的，读取后可以用缓存（比如functools.lru_cache）避免重复IO操作

内容的提问来源于stack exchange，提问作者GabrielKarloh