Python优化问题中同时设置面积与体积双约束的实现疑问

给定包含Name、Length、Width、Depth的DataFrame，仅允许修改Length列，需同时满足两个约束：

• 约束1：面积（Length × Width）≤ 40000 m²
• 约束2：体积（Length × Width × Depth）≥ 50000 m³

原代码逐个设置Length的方式只能单独满足某一个约束，无法兼顾两者，以下是优化后的解决方案：

核心逻辑 #

对每一行数据，先计算Length的可行范围：

• 由约束1得出Length的上限值：Constraint_length_a = 40000 / df['Width']
• 由约束2得出Length的下限值：Constraint_length_v = 50000 / (df['Width'] * df['Depth'])

仅当下限值 ≤ 上限值时，才存在同时满足两个约束的Length值。此时可根据需求选择该范围内的任意值（比如取下限保证体积达标，或取上限最大化面积）；若下限值 > 上限值，说明该样本无可行解，需单独标记。

完整代码 #

import pandas as pd
import numpy as np

df = pd.DataFrame({'Name': ['A', 'B', 'C', 'D'],
                   'Length': [1000, 2000, 3000, 5000],
                   'Width': [5, 12, 14, 16],
                   'Depth': [15, 10, 15, 18]})

# 计算两个约束对应的Length边界
Constraint_length_a = 40000 / df['Width']  # 面积约束的Length上限
Constraint_length_v = 50000 / (df['Width'] * df['Depth'])  # 体积约束的Length下限

# 批量设置可行Length值：无可行解则标记为NaN
# 此处选择取下限，可根据需求改为Constraint_length_a（上限）或两者均值
df['Length'] = np.where(Constraint_length_v <= Constraint_length_a,
                        Constraint_length_v,
                        np.nan)

# 验证约束：计算修改后的面积和体积
df['Area'] = df['Length'] * df['Width']
df['Volume'] = df['Length'] * df['Width'] * df['Depth']

print("修改后的DataFrame：")
print(df)
print("\n约束验证结果：")
# 加微小误差避免浮点精度导致的误判
print(f"所有面积是否≤40000：{all(df['Area'].dropna() <= 40000 + 1e-6)}")
print(f"所有体积是否≥50000：{all(df['Volume'].dropna() >= 50000 - 1e-6)}")

代码说明 #

• 使用np.where批量处理所有行，无需逐个赋值，效率更高
• 加入可行解判断，避免设置矛盾的Length值
• 新增Area和Volume列用于直观验证约束是否满足
• 浮点比较时加入1e-6的误差容忍，解决浮点精度问题导致的误判

内容的提问来源于stack exchange，提问作者Husnain