Python中for i in range循环仅迭代1次，需执行19次生成独立模型如何解决

核心问题是你在循环内部直接修改了原始的df_result全局变量：

• 第一次循环i=1时，执行df_result = df_result[df_result['Product'] == i]后，df_result已经被覆盖为只包含Product=1的子集
• 第二次循环i=2时，你用已经过滤后的子集再次筛选Product==2的行，结果为空数据集，后续train_test_split会抛出异常，又因为你加了空的except: pass逻辑，所有错误都被静默吞掉，所以看起来循环只执行了一次就退出了。

不要修改全局的df_result，每次循环用临时变量存储筛选后的产品数据即可，另外还要补充2个优化点避免其他隐藏问题：

• 禁止使用空except，避免吞掉关键错误导致难以排查问题
• 测试集不要调用fit_transform，直接用训练集拟合的scaler做transform，否则会出现数据泄露问题

修复后的代码如下：

for i in range(1,20):
    dtc = DecisionTreeClassifier()
    scaler = MinMaxScaler()
    # 用临时变量存储当前产品的数据集，不修改全局df_result
    current_df = df_result[df_result['Product'] == i]
    x = current_df[feature_colsx]
    y = current_df[feature_colsy]
    try:
        x_train, x_test, y_train, y_test = train_test_split(x, y, random_state=1, train_size=.80)
        x_train = scaler.fit_transform(x_train)
        # 测试集只用transform，不要重新fit
        x_test = scaler.transform(x_test)
        dtc.fit(x_train, y_train.values.ravel())
        y_pred = dtc.predict(x_test)
        accuracy = dtc.score(x_train,y_train)
        Prd.append(i)
        Prdacc.append(accuracy)
        print(f"产品{i}训练准确率：{accuracy}")
        pickle.dump(dtc, open(f'model/{i}mod.pkl',"wb"))
        pickle.dump(scaler, open(f'model/{i}scl.pkl',"wb"))
    except Exception as e:
        # 打印错误信息，方便排查某类产品训练失败的原因
        print(f"产品{i}训练失败：{str(e)}")

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