如何在Python中通过循环创建字典存储蒙特卡洛模拟数据的df.describe()统计结果

我完全理解你的需求——要把不同随机抽取次数、不同时间步的模拟数据统计结果规整地存起来，方便后续对比分析不同抽取次数对20个对象模拟结果的影响对吧？用嵌套字典确实是个非常合适的方案，我来给你详细拆解实现步骤：

核心思路 #

我们可以创建一个嵌套字典：

• 外层字典的键是随机抽取次数n（比如100、500等）
• 每个n对应的内层字典的键是时间步（年份），值就是对应df.describe()的统计结果

完整实现代码 #

import pandas as pd
import numpy as np
import os  # 用os.path.join处理路径更稳妥，避免跨系统路径问题

load_path = r'...\path\to\data'
numScenarios = [100, 500, 1000, 2500, 5000, 10000, 20000]
yearsSimulated = np.arange(1, 11)

# 初始化空的嵌套字典，用来存储所有统计结果
stats_dict = {}

for n in numScenarios:
    # 先给当前n创建一个空的内层字典，用来存该抽取次数下各年份的统计结果
    stats_dict[n] = {}
    # 用os.path.join拼接路径，比字符串拼接更可靠
    folder_path = os.path.join(load_path, f'draws = {n}')
    
    for year in yearsSimulated:
        filename = f'year {year}.csv'
        path = os.path.join(folder_path, filename)
        df = pd.read_csv(path)
        
        # 将当前年份的统计结果存入内层字典
        stats_dict[n][year] = df.describe()

# 示例：访问抽取次数为1000、第5年的统计结果
print(stats_dict[1000][5])

# 如果想把某一抽取次数下的所有年份统计结果合并成一个大DataFrame，方便查看
n_1000_stats = pd.concat(stats_dict[1000], axis=1)
print(n_1000_stats)

关键细节解释 #

• 嵌套字典初始化：stats_dict[n] = {}确保每个抽取次数都有对应的内层字典，用来存放该次数下所有年份的统计数据。
• 路径优化：用os.path.join替代字符串拼接，能自动适配Windows/macOS/Linux的路径分隔符，避免路径错误。
• 结果访问：你可以通过stats_dict[抽取次数][年份]快速定位到目标统计结果，比如stats_dict[20000][10]就是抽取20000次、第10年的模拟数据统计。
• 扩展用法：如果需要把统计结果导出成文件，也可以循环字典，将每个describe()结果保存为单独的CSV，或者合并后保存成一份汇总文件。

这样存储的结果结构清晰，完全满足你后续对比分析的需求，而且访问起来非常便捷。

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