Monte Carlo模拟中DataFrame高度碎片化性能警告问题求助

这个警告是因为你在循环里逐行修改DataFrame（results.loc[i, ...]），每次赋值都会打乱DataFrame的内存布局，导致碎片化，频繁调整内存不仅拖慢性能，还触发警告。下面是两种可行的解决思路：

方案一：向量化操作一次性生成所有数据（最优解） #

numpy的随机函数支持直接生成指定数量的样本，完全不需要循环，性能提升几个量级，代码也更简洁：

import pandas as pd
import numpy as np

n_samples = 10000
# 一次性生成10000个样本数据
Power1 = np.random.normal(16000, 1000, n_samples)
Power2 = np.random.triangular(12000, 15000, 18000, n_samples)
Efficiency1 = np.random.normal(0.88, 0.10, n_samples)
Efficiency2 = np.random.normal(0.85, 0.05, n_samples)
TotalPower = (Power1 * Efficiency1) + (Power2 * Efficiency2)

# 直接构建完整DataFrame
results = pd.DataFrame({
    'Power1': Power1,
    'Efficiency1': Efficiency1,
    'Power2': Power2,
    'Efficiency2': Efficiency2,
    'TotalPower': TotalPower
})

方案二：循环中收集数据到列表，最后统一转DataFrame（适合复杂逻辑场景） #

如果模拟过程必须用循环（比如每次迭代有条件判断、依赖上一次结果等），不要直接修改DataFrame，而是把每一行数据存入列表，循环结束后再生成DataFrame：

import pandas as pd
import numpy as np

n_samples = 10000
data_list = []

for _ in range(n_samples):
    Power1 = np.random.normal(16000, 1000, 1)[0]  # 取单个值，避免数组格式
    Power2 = np.random.triangular(12000, 15000, 18000)
    Efficiency1 = np.random.normal(0.88, 0.10, 1)[0]
    Efficiency2 = np.random.normal(0.85, 0.05, 1)[0]
    TotalPower = (Power1 * Efficiency1) + (Power2 * Efficiency2)
    
    # 将当前行数据存为字典，加入列表
    data_list.append({
        'Power1': Power1,
        'Efficiency1': Efficiency1,
        'Power2': Power2,
        'Efficiency2': Efficiency2,
        'TotalPower': TotalPower
    })

# 循环结束后一次性生成DataFrame
results = pd.DataFrame(data_list)

临时修复已碎片化的DataFrame #

如果已经存在碎片化的DataFrame，执行以下代码可以临时修复，但根源问题还是要避免逐行修改：

results = results.copy()

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