将多组同尺寸2D NumPy数组及对应维度列表转换为Pandas DataFrame的通用实现方案

这是个非常实用的场景——把多维数组和对应的维度标签映射成结构化表格，还能轻松扩展到任意数量的同尺寸数组。下面我会给出一个高效且灵活的实现方案，完全满足你的需求。

核心思路 #

1. 生成所有维度标签的组合（也就是l1和l2的笛卡尔积），对应数组中每个元素的位置
2. 将每个多维数组展平为一维数组，确保展平顺序和维度组合的顺序匹配
3. 把维度标签和展平后的数组拼接成DataFrame，并且支持快速新增更多同尺寸数组

代码实现 #

首先导入需要的库：

import numpy as np
import pandas as pd

示例数据（和你给出的一致） #

a1 = np.array([[1, 2], [3, 4],[5,6]])
a2 = np.array([[10, 20], [30, 40],[50,60]])
l1 = [5,7,99]
l2 = [2,3]

通用实现（支持任意数量同尺寸矩阵） #

# 获取矩阵的形状（确保所有输入矩阵尺寸一致，这里用a1的形状作为基准）
m, n = a1.shape

# 生成数组所有元素的行、列索引对
rows, cols = np.indices((m, n))

# 创建维度标签列：用numpy索引直接映射，比列表推导更高效
# 如果需要和你的示例顺序完全一致，把flatten()改成flatten('F')（按列遍历）
rows_flat = rows.flatten('F')
cols_flat = cols.flatten('F')

df = pd.DataFrame({
    'l1': np.array(l1)[rows_flat],
    'l2': np.array(l2)[cols_flat]
})

# 用字典存储所有矩阵及其对应的列名，方便扩展
matrices = {
    'a1': a1,
    'a2': a2
    # 新增矩阵直接加在这里即可，比如 'a3': a3
}

# 遍历字典，将每个矩阵展平后加入DataFrame
for col_name, matrix in matrices.items():
    df[col_name] = matrix.flatten('F')

输出结果（和示例完全一致） #

运行上述代码后，会得到：

l1  l2  a1  a2
0   5   2   1  10
1   7   2   3  30
2  99   2   5  50
3   5   3   2  20
4   7   3   4  40
5  99   3   6  60

方案优势 #

• 高效性：利用numpy的向量操作（索引、展平），避免了低效的逐元素循环，处理大矩阵时优势明显
• 可扩展性：新增矩阵只需在matrices字典中添加键值对，无需修改其他代码
• 灵活性：通过调整flatten()的参数（'C'按行遍历，'F'按列遍历），可以灵活控制行的顺序

内容的提问来源于stack exchange，提问作者MDescamps