Python循环内使用列表推导式访问字典数据报错如何解决？

错误根源 #

你代码里的语法错误出在j for j in len(forecast[i[0]])这部分：

• len()返回的是整数，不能直接作为in后的迭代对象，必须用range(len(...))生成可遍历的索引序列
• 你试图直接在values后用列表推导式的写法不符合Python语法，values是二维numpy数组，要获取行数据要么通过索引遍历，要么直接取整组数据

正确实现方案 #

假设你的对象配对列表（别用list当变量名，会覆盖Python内置类型）是类似[["Name 1", "Name 2"], ...]的结构，推荐两种实现方式：

方式1：嵌套循环逐行处理（适合需要逐行自定义逻辑的场景） #

# 替换成你的对象配对列表
name_pairs = [["Name 1", "Name 2"], ["Name 3", "Name 4"]]

for name1, name2 in name_pairs:
    # 将字典转为DataFrame
    df_obj1 = pd.DataFrame(forecast[name1])
    df_obj2 = pd.DataFrame(forecast[name2])
    
    # 先校验两个对象的采样行数一致
    if len(df_obj1) != len(df_obj2):
        print(f"警告：{name1}和{name2}的采样数量不匹配，跳过该组")
        continue
    
    # 遍历每一行采样数据（对应单个场景）
    for row_idx in range(len(df_obj1)):
        # 获取和单独执行时格式一致的行数据
        data1 = df_obj1.values[row_idx]
        data2 = df_obj2.values[row_idx]
        
        # 这里调用你的机器学习模型做预测
        # 示例：将两个数据合并为模型输入
        # input_data = np.concatenate([data1, data2]).reshape(1, -1)
        # prediction = your_model.predict(input_data)

方式2：批量向量化处理（效率更高，适合无自定义逐行逻辑的场景） #

如果你的模型支持批量输入，可以直接合并数据后一次性预测：

name_pairs = [["Name 1", "Name 2"], ["Name 3", "Name 4"]]

for name1, name2 in name_pairs:
    df_obj1 = pd.DataFrame(forecast[name1])
    df_obj2 = pd.DataFrame(forecast[name2])
    
    if len(df_obj1) != len(df_obj2):
        print(f"警告：{name1}和{name2}的采样数量不匹配，跳过该组")
        continue
    
    # 合并两个对象的特征列，生成批量输入
    batch_input = pd.concat([df_obj1, df_obj2], axis=1)
    
    # 批量预测
    batch_predictions = your_model.predict(batch_input.values)
    
    # 后续处理预测结果，比如存储、分析等

额外提示 #

• 如果你只是需要获取所有行的数组，直接用df.values即可，不需要额外推导式，比如pd.DataFrame(forecast['Name 1']).values会返回所有行的二维数组，和你单独取values[2]的结构一致
• 用df.iloc[row_idx].values替代df.values[row_idx]可读性更好，也更符合pandas的常规用法

内容的提问来源于stack exchange，提问作者user178800