如何使用类为DataFrame指定列的所有行实例化属性？

1. 调整类的初始化逻辑 #

先修改Tranche的初始化方法，让它接收单一行的数据，这样每个实例就能对应DataFrame里的一行：

class Tranche:
    # 初始化资产池层级
    def __init__(self, rating, row_data):
        self.rating = rating
        self.cpn = row_data['Cpn']
        self.price = row_data['Price']
        self.moddur = row_data['ModDur']
        self.oas = row_data['OAS']

2. 批量生成所有行的实例 #

遍历DataFrame的每一行，创建对应的Tranche实例，把实例存到列表里方便后续调用：

基础遍历写法 #

# 假设你的数据集叫historical_data
tranche_list = []
# 这里替换成实际评级，要是每行评级不同，直接从DataFrame的列里取就行
target_rating = "AAA"

for _, row in historical_data.iterrows():
    tranche = Tranche(target_rating, row)
    tranche_list.append(tranche)

简化的列表推导式 #

如果不需要额外逻辑，用列表推导式更简洁：

target_rating = "AAA"
tranche_list = [Tranche(target_rating, row) for _, row in historical_data.iterrows()]

每行评级不同的情况 #

要是DataFrame本身有Rating列，每个实例的评级对应行内的值：

tranche_list = [Tranche(row['Rating'], row) for _, row in historical_data.iterrows()]

3. 访问实例属性 #

生成实例后，直接通过实例名访问属性即可：

# 取第一个实例的票面利率
print(tranche_list[0].cpn)
# 遍历所有实例打印价格
for tranche in tranche_list:
    print(tranche.price)

性能优化（针对超大型数据集） #

如果你的DataFrame行数极多，iterrows()效率偏低，可以换成itertuples()提升速度：

tranche_list = []
target_rating = "AAA"

for row in historical_data.itertuples(index=False):
    tranche = Tranche(
        target_rating,
        {'Cpn': row.Cpn, 'Price': row.Price, 'ModDur': row.ModDur, 'OAS': row.OAS}
    )
    tranche_list.append(tranche)

内容的提问来源于stack exchange，提问作者ho0sh12