本文介绍如何使用 python 循环高效生成多个符合特定规则的二值化 dataframe：每个 dataframe 为 4×4 矩阵，每列有且仅有一个 1（其余为 0），其余元素随机分布但满足该约束。
在数据分析与模拟实验中，常需批量构造结构一致、语义明确的二值矩阵（例如表示独热编码、资源分配状态或连接拓扑）。原始方法试图通过字符串变量名动态赋值（如 vars()[name] = ...），不仅可读性差、调试困难，更违背 Python 最佳实践——应避免动态创建变量名，而应使用容器（如列表、字典）管理对象。
推荐采用清晰、安全且高效的方案：使用列表推导式或标准 for 循环，将每个生成的 DataFrame 直接追加至一个列表中。核心逻辑如下：
- 每次生成一个 4×4 的随机整数矩阵（使用 numpy.random.Generator.choice，确保列内最大值唯一且可预测）；
- 对每列独立执行「标记列最大值位置为 1，其余为 0」操作：bin == bin.max(axis=0) 自动沿行广播比较，返回布尔 DataFrame，再经 .astype(int) 转为 0/1；
- 将结果封装为 pandas.DataFrame 并存入集合。
以下是完整可运行示例代码：
import pandas as pd
import numpy as np
# 推荐：使用现代 NumPy 随机数生成器（更可靠、可复现）
rng = np.random.default_rng(seed=42) # 可选 seed 用于结果复现
n_matrices = 4
bins = [] # 存储所有二值化 DataFrame 的列表
for _ in range(n_matrices):
# 生成 4x4 随机整数矩阵（值域 0~15），确保每列最大值唯一（因 replace=False）
random_mat = rng.choice(16, size=(4, 4), replace=False)
# 每列找最大值位置 → 布尔掩码 → 转为整数 0/1
binary_df = pd.DataFrame((random_mat == random_mat.max(axis=0)).astype(int))
bins.append(binary_df)
# 查看第一个生成的 DataFrame
print("示例输出（bins[0]）：")
print(bins[0])✅ 关键优势说明：
- ✅ 安全可靠：不依赖 eval 或 vars() 动态变量名，杜绝命名冲突与作用域风险；
- ✅ 内存友好：所有 DataFrame 统一管理于列表，便于后续统一处理（如 pd.concat(bins) 合并，或 for df in bins: 迭代分析）；
- ✅ 逻辑清晰：max(axis=0) 精准实现“每列仅一个 1”，无需手动遍历列或调用 argmax；
- ✅ 可扩展性强：只需修改 n_matrices 和 size=(rows, cols) 即可适配任意规模。
⚠️ 注意事项：
- 若需严格保证每列恰好一个 1（即使存在重复最大值），应避免使用浮点随机数（如 np.random.rand）直接比较，因其易受精度影响；choice(..., replace=False) 是更鲁棒的选择；
- 如需固定随机种子以复现实验结果，请在 default_rng() 中传入 seed= 参数；
- 若后续需为每个 DataFrame 添加标识（如编号、时间戳），建议改用字典：bins = {f'bin_{i}': binary_df for i in range(4)}。
通过此方法，你将获得一个结构规范、易于维护、符合工程实践的二值 DataFrame 集合，为后续建模、测试或可视化奠定坚实基础。
