Python循环异常：首次运行正常，后续生成文件数值全为0

你遇到的问题核心是在循环中直接修改了原始DataFrame的列，导致后续循环使用的是已经被修改过的数据，而非原始数值。

让我拆解一下这个逻辑漏洞：

• 第一次循环时，你基于原始的df['y']数值列，将其替换为"1"或"0"的字符串，保存出第一个正确的CSV。
• 但从第二次循环开始，df['y']已经不是原始的数值了，而是上一次循环生成的"1"/"0"字符串。当你执行float(x['y'])时，得到的结果只有1.0或0.0。
• 比如第二个阈值是1.12，1.0和0.0都小于1.12，所以所有行都会被设为"0"，后面的阈值同理，自然生成的文件全是0了。

解决思路很简单：每次循环都基于原始的数值数据进行判断，而不是修改后的DataFrame。这里提供两种常用的修正方式：

方式1：提前保存原始列，循环时引用原始值 #

d = df_gsuvr # 原始数据
df = pd.DataFrame(data=d)
# 保存原始的'y'列副本，避免被循环修改覆盖
original_y = df['y'].copy()
# 把变量名从list改成更有意义的名称，避免和Python内置list类型冲突
threshold_list = [1.18, 1.12, 1.083, 1, 0.83]

for number in threshold_list:
    # 每次都用原始的original_y来判断，而非修改后的df['y']
    df['y'] = original_y.apply(lambda x: "1" if float(x) > number else "0")
    df.to_csv(f"{number}.csv", index=True, header=True)

方式2：每次循环都从原始数据复制新的DataFrame #

d = df_gsuvr # 原始数据
threshold_list = [1.18, 1.12, 1.083, 1, 0.83]

for number in threshold_list:
    # 每次循环都基于原始数据创建新的df副本，彻底避免修改污染
    df = pd.DataFrame(data=d)
    df['y'] = df.apply(lambda x: "1" if float(x['y']) > number else "0", axis=1)
    df.to_csv(f"{number}.csv", index=True, header=True)

• 避免使用list作为变量名，这是Python的内置类型，容易引发混淆和潜在问题。
• 提前将y列转换为数值类型，减少lambda里重复的类型转换操作，提升效率：

  original_y = df['y'].astype(float)
  df['y'] = original_y.apply(lambda x: "1" if x > number else "0")
  

内容的提问来源于stack exchange，提问作者vnx