如何用循环批量处理Python中30个按命名规则的变量？

完全懂你的痛点——重复写30行几乎一样的代码不仅麻烦，后期维护也容易出错。这里给你几个实用的思路，帮你用几行代码搞定批量操作：

1. 最直接：循环生成变量名+操作全局命名空间 #

如果你的变量都在全局作用域里，可以通过动态生成变量名的方式批量处理，不用手动列所有变量：

# 遍历编号范围（7039到7068，注意range是左闭右开，所以结束值写7069）
for num in range(7039, 7069):
    # 拼接变量名
    var_name = f"aod{num}"
    # 获取当前变量的值（假设是NumPy数组）
    current_data = globals()[var_name]
    # 计算mean并覆盖原变量，替换成你需要的轴编号
    globals()[var_name] = current_data.mean(axis=0)

⚠️ 注意：如果是在函数内部执行，需要把globals()换成locals()，但locals()的修改有时候可能不会立即生效，全局场景下用globals()更稳妥。另外要确保变量名拼写完全正确，不然会抛出KeyError。

2. 更稳妥：用字典管理相关变量（推荐） #

直接操作全局命名空间容易不小心误改其他变量，更清晰的方式是先把这些变量放进字典，批量处理后再按需放回原变量：

# 第一步：把所有aod变量装进字典
aod_dict = {
    f"aod{num}": globals()[f"aod{num}"]
    for num in range(7039, 7069)
}

# 第二步：批量计算mean
for key in aod_dict:
    aod_dict[key] = aod_dict[key].mean(axis=0)

# 第三步：如果需要把处理后的值放回原变量，执行这一步
for var_name, processed_data in aod_dict.items():
    globals()[var_name] = processed_data

这种方法的好处是，后续如果还要对这些变量做其他批量操作（比如求和、标准化），直接操作字典就行，不用再重复生成变量名，也更易维护。

3. 从根源避免：一开始就用集合型数据结构 #

如果以后还要处理这类相似的变量，建议一开始就不要创建30个单独的变量，而是直接用列表或NumPy数组来存储：

# 假设你原本是逐个创建变量，改成直接存列表
aod_list = [
    # 这里放原本赋值给aod7039、aod7040...的原始数据
    original_data_7039,
    original_data_7040,
    ...
    original_data_7068
]

# 批量处理
aod_list = [data.mean(axis=0) for data in aod_list]

# 如果需要单独的变量名，再拆分回去（可选）
aod7039, aod7040, ..., aod7068 = aod_list

这样从一开始就避免了大量单独变量的问题，后续操作会省心很多。

额外提示（如果用NumPy） #

如果这些变量都是形状相同的NumPy数组，甚至可以把它们拼接成一个更大的数组，一次性完成所有mean计算，效率更高：

import numpy as np

# 把所有变量拼合成一个新数组（比如在第0轴拼接）
combined_array = np.array([aod7039, aod7040, ..., aod7068])
# 计算指定轴的mean，这里假设你要对每个变量自身的某轴计算，所以axis=1（根据你的实际轴调整）
processed_array = combined_array.mean(axis=1)
# 拆分回原变量
aod7039, aod7040, ..., aod7068 = processed_array

内容的提问来源于stack exchange，提问作者Leo