Python 3.6能否通过自修改代码简化重复特征计算逻辑？

首先明确说：你完全不需要写自修改代码来实现这个需求，自修改代码不仅可读性差、调试麻烦，对于你这种重复逻辑场景来说更是大材小用——Python有更简洁、易维护的方式来搞定，而且完全兼容Python 3.6版本。

先看你原来的代码：针对每个特征（ZCR、RMS、Tempo这些），都重复做四件事：取均值、取标准差、算下限、算上限。这种高度重复的模式，刚好可以用「函数封装+循环遍历」的方式完美解决。

最优解决方案：封装函数+字典存储结果 #

推荐用字典统一管理所有特征的计算结果，避免生成一堆零散的变量，代码更整洁也更易维护：

def get_feature_stats(summary_df, feature_name):
    # 把重复的四行逻辑封装成函数
    mean_val = summary_df[feature_name][1]
    std_val = summary_df[feature_name][2]
    lower_limit = mean_val - std_val
    upper_limit = mean_val + std_val
    return mean_val, std_val, lower_limit, upper_limit

# 列出所有需要处理的特征
target_features = ['ZCR', 'RMS', 'Tempo', 'Beat Spacing']

# 用字典存储所有特征的计算结果
feature_data = {}
for feat in target_features:
    mean, std, lower, upper = get_feature_stats(sample_dataframe_summary, feat)
    feature_data[feat] = {
        'mean': mean,
        'std': std,
        'lower_limit': lower,
        'upper_limit': upper
    }

之后你要访问某个特征的结果时，直接用feature_data['ZCR']['lower_limit']这样的方式调用就行，比零散的变量清晰多了。

如果一定要生成单独变量（不推荐） #

如果你坚持要和原代码一样生成target_ZCR_mean这类单独变量，可以用globals()动态创建，但这种方式会污染全局命名空间，后期维护容易出问题，不建议使用：

def get_feature_stats(summary_df, feature_name):
    mean_val = summary_df[feature_name][1]
    std_val = summary_df[feature_name][2]
    return mean_val, std_val, mean_val - std_val, mean_val + std_val

target_features = ['ZCR', 'RMS', 'Tempo', 'Beat Spacing']

for feat in target_features:
    mean, std, lower, upper = get_feature_stats(sample_dataframe_summary, feat)
    # 动态创建对应变量
    globals()[f'target_{feat}_mean'] = mean
    globals()[f'target_{feat}_std'] = std
    globals()[f'lower_{feat}_lim'] = lower
    globals()[f'upper_{feat}_lim'] = upper

关于自修改代码的补充 #

Python确实支持自修改代码（比如修改函数的__code__属性，或者用exec动态执行拼接的字符串），但这种做法在实际开发中几乎不会用到——它会让代码变得极其难以调试和维护，而且完全没必要用在你这种场景。你的需求本质是批量处理重复逻辑，用函数+循环就足够优雅高效了。

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