将Pandas DataFrame转换为MxNxD多维列表（无显式循环实现）

推荐方案：利用Pandas分组聚合（无显式循环，高效Pythonic） #

如果你的数据集是Pandas DataFrame，这是最优解——借助Pandas底层优化的分组逻辑，完全避免手动嵌套循环，代码简洁且性能拉满。

步骤示例：

1. 先准备样例数据（模拟你的数据集结构）：

import pandas as pd

# 模拟输入数据集
df = pd.DataFrame({
    'Case': ['A', 'A', 'A', 'B', 'B', 'B'],
    'Run': [1, 1, 2, 3, 3, 4],
    'Timestep': [0, 1, 0, 0, 1, 0],
    'Value0': [10, 20, 15, 30, 40, 25],
    'Value1': [100, 200, 150, 300, 400, 250]
})

2. 核心转换代码：

# 自动识别目标列：Timestep + 所有以Value开头的列
value_cols = [col for col in df.columns if col.startswith('Value')]
target_cols = ['Timestep'] + value_cols

# 第一步：按(Case, Run)分组，将每组的目标列转成D维度的列表（每个元素是[Timestep, Value0, ...]）
run_level = df.groupby(['Case', 'Run'])[target_cols].apply(lambda x: x.values.tolist()).reset_index()

# 第二步：按Case分组，将每个Case下的所有Run结果收集为N维度列表，最终得到MxNxD结构
final_result = run_level.groupby('Case')[0].apply(list).tolist()

结果说明：

final_result就是你要的嵌套列表：

• M：Case的数量（这里是2，对应Case A和B）
• N：每个Case下的Run数量（A有2个Run，B有2个Run）
• D：每个时间步的特征维度（这里是3：Timestep+Value0+Value1）

输出示例：

[
    # Case A的两个Run数据
    [
        [[0, 10, 100], [1, 20, 200]],  # Run 1的时间步数据
        [[0, 15, 150]]                 # Run 2的时间步数据
    ],
    # Case B的两个Run数据
    [
        [[0, 30, 300], [1, 40, 400]],  # Run 3的时间步数据
        [[0, 25, 250]]                 # Run 4的时间步数据
    ]
]

标准库方案：用itertools.groupby（无第三方依赖） #

如果不能用Pandas，用Python标准库的itertools.groupby也能实现，但需要先对数据排序（groupby要求分组键连续有序），代码略多但仍比手动嵌套循环简洁：

from itertools import groupby
from operator import itemgetter

# 模拟列表格式的输入数据
data_list = [
    {'Case': 'A', 'Run': 1, 'Timestep': 0, 'Value0': 10, 'Value1': 100},
    {'Case': 'A', 'Run': 1, 'Timestep': 1, 'Value0': 20, 'Value1': 200},
    {'Case': 'A', 'Run': 2, 'Timestep': 0, 'Value0': 15, 'Value1': 150},
    {'Case': 'B', 'Run': 3, 'Timestep': 0, 'Value0': 30, 'Value1': 300},
    {'Case': 'B', 'Run': 3, 'Timestep': 1, 'Value0': 40, 'Value1': 400},
    {'Case': 'B', 'Run': 4, 'Timestep': 0, 'Value0': 25, 'Value1': 250},
]

# 先按Case、Run排序，确保groupby能正确分组
sorted_data = sorted(data_list, key=itemgetter('Case', 'Run'))

# 生成MxNxD结构
final_result = []
for _, case_group in groupby(sorted_data, key=itemgetter('Case')):
    run_data_list = []
    for _, run_group in groupby(case_group, key=itemgetter('Run')):
        # 提取每个时间步的D维度数据
        step_data = [[item['Timestep'], item['Value0'], item['Value1']] for item in run_group]
        run_data_list.append(step_data)
    final_result.append(run_data_list)

为什么这两种方案更优？ #

• 避免了手动嵌套循环的冗余代码，逻辑更清晰；
• Pandas方案利用了底层C实现的分组逻辑，大数据集下性能远高于纯Python循环；
• 代码扩展性强：新增Value列时，Pandas方案会自动识别，无需修改核心逻辑。

内容的提问来源于stack exchange，提问作者Alejandro