能否创建存储二维数组的Pandas DataFrame？多参数传感数据处理需求

当然可以实现，以下是两种符合你需求的方案，分别对应字典（和Perl数组哈希逻辑一致）和Pandas DataFrame的实现方式，你可以根据后续处理需求选择：

方案1：用字典存储（最接近Perl数组哈希） #

直接将每个参数的二维数组作为值存入字典，键为参数名，这样可以直接迭代参数名获取对应数据：

import numpy as np

# 原始数据
accel = [[-0.7437,0.1118,-0.6367],
         [-0.7471,0.1162,-0.6338],
         [-0.7437,0.1216,-0.6255]]
angle =  [[169.4366,49.4714,56.9421],
         [169.3762,49.5374,56.8433],
         [169.2828,49.6582,56.7059]]
avelo = [[-0.5493,-0.9766,1.4038],
          [0,-1.4038,0.7935],
          [0.061,-1.0986,0.2441]]

# 转换为numpy数组（可选，提升数值处理效率）
sensor_dict = {
    'accel': np.array(accel),
    'angle': np.array(angle),
    'avelo': np.array(avelo)
}

# 迭代参数名批量处理
for param_name, param_data in sensor_dict.items():
    # 这里替换成你的图表处理逻辑，比如绘制x/y/z三轴曲线
    print(f"处理参数：{param_name}")
    print(f"x轴数据：{param_data[:, 0]}")
    print(f"y轴数据：{param_data[:, 1]}")
    print(f"z轴数据：{param_data[:, 2]}")

方案2：用Pandas DataFrame存储 #

如果你需要结合Pandas的数据分析功能（比如过滤、统计），可以将数据存入DataFrame，有两种组织方式：

方式A：按参数分组存储 #

每个列对应一个参数，列值为完整的二维数组，适合按参数批量处理：

import numpy as np
import pandas as pd

# 原始数据转换为numpy数组
accel_np = np.array(accel)
angle_np = np.array(angle)
avelo_np = np.array(avelo)

# 创建DataFrame
df = pd.DataFrame({
    'accel': [accel_np],
    'angle': [angle_np],
    'avelo': [avelo_np]
})

# 获取指定参数的二维数组
accel_data = df['accel'].iloc[0]
# 获取accel的x轴数据
accel_x = accel_data[:, 0]

# 迭代所有参数批量处理
for param_name in df.columns:
    param_data = df[param_name].iloc[0]
    # 执行你的图表处理逻辑
    print(f"处理参数：{param_name}")
    print(param_data)

方式B：按时间步展开存储 #

将每个参数的x/y/z分量拆分为单独列，适合逐时间点分析所有参数：

# 创建按时间步组织的DataFrame
df_timestep = pd.DataFrame({
    'accel_x': accel_np[:, 0],
    'accel_y': accel_np[:, 1],
    'accel_z': accel_np[:, 2],
    'angle_x': angle_np[:, 0],
    'angle_y': angle_np[:, 1],
    'angle_z': angle_np[:, 2],
    'avelo_x': avelo_np[:, 0],
    'avelo_y': avelo_np[:, 1],
    'avelo_z': avelo_np[:, 2]
})

# 获取accel的所有分量数据
accel_all = df_timestep[['accel_x', 'accel_y', 'accel_z']].values
# 批量处理某一类参数（比如所有加速度相关列）
accel_cols = [col for col in df_timestep.columns if col.startswith('accel')]
for col in accel_cols:
    col_data = df_timestep[col].values
    # 处理单轴数据
    print(f"处理轴：{col}")
    print(col_data)

总结 #

• 如果仅需要按参数名迭代处理数据，字典方案最简单，和你熟悉的Perl数组哈希逻辑完全一致；
• 如果需要后续用Pandas做数据分析，DataFrame方案更灵活，两种组织方式可根据场景选择。

内容的提问来源于stack exchange，提问作者Steve