生成含Sq. feet、Price、Borough的虚拟CSV数据时Borough列异常排查

问题原因 #

你当前的代码只执行了一次random.randrange(len(WORDS))，得到一个固定的整数索引（这里是5）。当把这个单一值赋值给DataFrame的Borough列时，pandas会将该标量值广播填充到所有行，导致整列显示同一个数字。random.randrange本身仅生成单个随机数，不会自动为每行生成新的随机索引。

解决方法 #

针对5万行的大数据量，推荐以下两种高效方案：

方案1：使用列表推导式逐行生成随机文本

import random
import pandas as pd

WORDS = ["Manhattan", "Brooklyn", "Queens", "Bronx", "Staten Island"]

# 构建包含三列的数据字典
data = {
    "Sq. feet": [你的数值生成逻辑],  # 替换为你已有的前两列生成代码
    "Price": [你的数值生成逻辑],
    "Borough": [WORDS[random.randrange(len(WORDS))] for _ in range(50000)]
}

df = pd.DataFrame(data)

列表推导式会循环5万次，每次生成一个新的随机索引，再从WORDS中取出对应文本值，最终生成包含随机文本的列。

方案2：使用numpy的np.random.choice（更高效）

import numpy as np
import pandas as pd

WORDS = ["Manhattan", "Brooklyn", "Queens", "Bronx", "Staten Island"]

data = {
    "Sq. feet": [你的数值生成逻辑],
    "Price": [你的数值生成逻辑],
    "Borough": np.random.choice(WORDS, size=50000)
}

df = pd.DataFrame(data)

np.random.choice可以直接从WORDS列表中随机选取指定数量（50000）的元素，底层是向量化操作，处理大数据量时比列表推导式更快。

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