生成和为1的权重计算加权平均遇0值及百万次循环求最小极差求助

问题1：F(x)全部为0.0的原因 #

你当前的代码里，生成的权重ar是索引为0-5的Series，但CSV数据的列名是A、B、C、D、E、F、F(x)，列名完全不匹配，导致df.mul(ar)时没有对应列可相乘，结果全为NaN（或被默认填充为0），求和后自然得到0.0。

解决办法是提取CSV中用于计算的6个数值列，直接按位置和权重相乘（不依赖列名匹配）：

import numpy as np
import pandas as pd

# 读取CSV，若第一列是行号，设置index_col=0避免列名混乱
df = pd.read_csv('weit.csv', index_col=0)
# 提取6个数值列：排除最后一列F(x)，剩下的就是目标数据列
data_cols = df.columns[:-1]

# 生成权重：直接得到长度为6的数组，无需转DataFrame
weights = np.random.dirichlet(np.ones(6), size=1)[0]
# 计算加权平均
df['F(x)'] = df[data_cols].mul(weights, axis=1).sum(axis=1)

# 验证结果
print(df['F(x)'])
current_range = df['F(x)'].max() - df['F(x)'].min()
print(f"当前极差：{current_range}")

问题2：实现百万次循环找到最小极差的权重集 #

要完成百万次迭代，我们需要初始化存储最小极差和对应权重的变量，循环生成权重、计算F(x)和极差，每次比较并更新最小值。为提升效率，用numpy向量化操作替代pandas的逐行计算：

import numpy as np
import pandas as pd

# 1. 读取并预处理数据
df = pd.read_csv('weit.csv', index_col=0)
data_cols = df.columns[:-1]
data = df[data_cols].values  # 转numpy数组，大幅加快计算速度

# 2. 初始化最小极差和最优权重
min_range = float('inf')
best_weights = None

# 3. 百万次循环迭代
n_iterations = 1000000
for i in range(n_iterations):
    # 生成和为1的随机权重
    weights = np.random.dirichlet(np.ones(6), size=1)[0]
    # 矩阵乘法计算加权平均，等价于每行与权重相乘后求和
    fx = data @ weights
    # 计算当前极差
    current_range = fx.max() - fx.min()
    # 更新最小极差和最优权重
    if current_range < min_range:
        min_range = current_range
        best_weights = weights.copy()  # 复制数组，避免后续循环修改引用值
    # 每10万次打印进度，监控运行状态
    if (i + 1) % 100000 == 0:
        print(f"完成 {i+1}/{n_iterations} 次迭代，当前最小极差: {min_range:.4f}")

# 输出最终结果
print("\n=== 最终结果 ===")
print(f"最小极差: {min_range:.4f}")
print(f"对应的权重集: {best_weights}")

# 将最优权重的F(x)存入原DataFrame
df['F(x)_best'] = data @ best_weights
print("\n最优权重下的F(x)列：")
print(df['F(x)_best'])

代码优化说明：

• 用numpy数组存储数据，矩阵乘法data @ weights比pandas的mul+sum效率高数倍，适合百万次循环；
• 避免不必要的DataFrame转换，循环中仅操作轻量的numpy数组；
• 加入进度打印，防止程序假死；
• 用weights.copy()避免后续循环修改最优权重的引用值。

额外注意事项 #

• 确保CSV格式正确：表头列数与数据列数一致，若第一列是行号，务必设置index_col=0；
• 百万次循环在普通电脑上约需几分钟，若需更快可尝试多进程优化，但上述代码已足够高效；
• Dirichlet分布天然生成和为1的随机数，非常适合权重生成，你的初始选择是正确的。

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