Pandas处理含混合列表与范围的字典时的报错问题及解决方案咨询

我完全懂你现在的困扰——想保留原字典里的区间结构（混合range和列表），转成Pandas DataFrame时却因为列长度不匹配报错，连查询想要的值都做不了，确实挺头疼的！

先帮你理清楚问题根源：你的X-Raw列是4个区间/子列表（每个对应一段原始值范围），但1-8B和S-PP却是一整串连续的调整值，两者的元素数量完全不匹配（X-Raw只有4个元素，另外两列有几十个），Pandas转DataFrame时要求每一列的元素个数必须一致，这就是你看到ValueError: All arrays must be of the same length的原因。

下面给你两个兼顾保留原结构和解决查询需求的方案：

方案一：调整字典结构，让列元素长度匹配（保留原区间） #

核心思路是把1-8B和S-PP的长列表，按照X-Raw里每个区间的长度，切成对应的子列表，这样整个字典的每一列都有4个元素（每个元素是一个子列表），就能顺利转成DataFrame了，而且完全保留你想要的区间结构。

具体代码如下：

import pandas as pd

ScaleX_Adjustment = {
    'X-Raw': [range(0, 34), list(range(34, 61)), range(61, 124), list(range(124, 179))],
    '1-8B': [+20, +20, +20, +20, +19, +18, +17, +17, +16, +15, +14, +13, +13, +12, +11, +10, +9, +9, +8, +7, +6, +5,
             +5, +4, +3, +2, +1, +1, 0, -1, -1, -1, -2, -2, -3, -3, -3, -4, -4, -5, -5, -5, -6, -6, -7, -7, -7, -8,
             -8, -9, -9 - 9, -10, -10, -11, -11, -11, -12, -12, -13, -13, -13, -14, -14, -15, -15, -15, -16, -16,
             -17, -17, -17, -18, -18, -19, -19, -19, -20, -20, -20, -20, -20, -20, -20],
    'S-PP': [+10, +10, +10, +10, +10, +10, 9, 9, 9, 8, 8, 7, 7, 7, 6, 6, 5, 5, 5, 4, 4, 3, 3, 3, 2, 2, 1, 1, 0, -1,
             -1, -1, -2, -2, -2, -2, -2, -3, -3, -3, -3, -3, -4, -4, -4, -4, -4, -5, -5, -5, -5, -5, -6, -6, -6, -6,
             -6, -7, -7, -7, -7, -7, -8, -8, -8, -8, -8, -9, -9, -9, -9, -9, -10, -10, -10, -10, -10, -11, -11, -11,
             -11, -11, -11, -11]
}

# 第一步：把X-Raw里的range统一转成列表，方便后续处理
ScaleX_Adjustment['X-Raw'] = [list(r) if isinstance(r, range) else r for r in ScaleX_Adjustment['X-Raw']]

# 第二步：计算每个X-Raw区间的长度，用来切割调整值列表
interval_lengths = [len(interval) for interval in ScaleX_Adjustment['X-Raw']]

# 第三步：按区间长度切割1-8B和S-PP的长列表，生成对应子列表
start_idx = 0
adjusted_1_8B = []
adjusted_S_PP = []
for length in interval_lengths:
    adjusted_1_8B.append(ScaleX_Adjustment['1-8B'][start_idx:start_idx+length])
    adjusted_S_PP.append(ScaleX_Adjustment['S-PP'][start_idx:start_idx+length])
    start_idx += length

# 更新字典，让所有列的元素数量一致
ScaleX_Adjustment['1-8B'] = adjusted_1_8B
ScaleX_Adjustment['S-PP'] = adjusted_S_PP

# 现在可以顺利转成DataFrame了
ScaleX_Adjustment_DF = pd.DataFrame(ScaleX_Adjustment)

针对查询需求的处理 #

转成DataFrame后，你可以写一个简单的函数，根据原始值ScaleX_Raw找到对应的调整值：

def get_adjustment_value(raw_num, df, column_name):
    # 遍历每一行，判断原始值是否在当前行的X-Raw区间里
    for _, row in df.iterrows():
        if raw_num in row['X-Raw']:
            # 找到该值在区间内的位置，返回对应调整值
            pos_in_interval = row['X-Raw'].index(raw_num)
            return row[column_name][pos_in_interval]
    # 如果没找到匹配值，返回None或者按需抛出异常
    return None

# 示例使用
ScaleX_Raw = 50
ScaleX_1to8B = get_adjustment_value(ScaleX_Raw, ScaleX_Adjustment_DF, '1-8B')
ScaleX_StoPP = get_adjustment_value(ScaleX_Raw, ScaleX_Adjustment_DF, 'S-PP')

方案二：保留原结构的同时，生成扁平DataFrame用于快速查询 #

如果你的查询需求比较频繁，上面的遍历方式效率不高，可以在保留原结构DataFrame的基础上，生成一个扁平的DataFrame（把所有区间展开成单条记录），用来快速查询：

def flatten_interval_df(original_df):
    flattened_rows = []
    for _, row in original_df.iterrows():
        # 把每个区间的原始值和对应调整值一一配对
        for x_raw, adj_18b, adj_spp in zip(row['X-Raw'], row['1-8B'], row['S-PP']):
            flattened_rows.append({
                'X-Raw': x_raw,
                '1-8B': adj_18b,
                'S-PP': adj_spp
            })
    return pd.DataFrame(flattened_rows)

# 生成扁平DataFrame
flat_adjustment_df = flatten_interval_df(ScaleX_Adjustment_DF)

# 快速查询，和你原来的写法几乎一致
ScaleX_1to8B = flat_adjustment_df.loc[flat_adjustment_df['X-Raw'] == ScaleX_Raw, '1-8B'].iloc[0]
ScaleX_StoPP = flat_adjustment_df.loc[flat_adjustment_df['X-Raw'] == ScaleX_Raw, 'S-PP'].iloc[0]

这个方案的好处是：原结构的DataFrame用来保留你的区间逻辑，扁平DataFrame用来高效查询，两全其美。

备注：内容来源于stack exchange，提问作者Shreyas Balaji