将含x、y、z、v列的Pandas DataFrame转换为NumPy 3D网格

核心思路 #

由于你的DataFrame中x、y、z坐标是**规则间隔（步长为1）**的长方体网格，我们可以通过排序、提取维度信息、重塑数组的方式快速得到可用于Numba加速的3D数组。

步骤与代码实现 #

1. 导入依赖库

import pandas as pd
import numpy as np
from numba import njit

2. 确保数据顺序正确

先按x、y、z升序排序，保证坐标点的连续性，避免reshape时出现错位：

# 按x→y→z的顺序排序数据
df_sorted = df.sort_values(by=['x', 'y', 'z'])

3. 提取网格维度信息

获取x、y、z的唯一取值，并计算各维度的尺寸：

# 获取各轴的唯一坐标值
x_vals = df_sorted['x'].unique()
y_vals = df_sorted['y'].unique()
z_vals = df_sorted['z'].unique()

# 计算3D网格的各维度大小
nx, ny, nz = len(x_vals), len(y_vals), len(z_vals)

4. 验证数据完整性（可选）

检查总点数是否等于各维度乘积，确保没有缺失的坐标点：

assert len(df_sorted) == nx * ny * nz, "数据中存在缺失的网格点，请检查原始数据"

5. 转换为3D NumPy数组

将v列的值重塑为3D数组，维度顺序为(x, y, z)：

# 重塑为3D数组
v_3d = df_sorted['v'].values.reshape(nx, ny, nz)

6. 生成对应网格坐标（可选）

如果需要可视化或坐标相关计算，用np.meshgrid生成匹配的3D坐标网格（注意使用indexing='ij'保证维度顺序一致）：

# 生成与v_3d维度匹配的3D坐标网格
X, Y, Z = np.meshgrid(x_vals, y_vals, z_vals, indexing='ij')

用Numba加速处理示例 #

现在可以直接用njit装饰器加速你的块模型处理逻辑：

@njit
def process_block(v_grid):
    # 示例：计算内部点的6邻域平均值
    res = np.zeros_like(v_grid)
    nx, ny, nz = v_grid.shape
    for i in range(1, nx-1):
        for j in range(1, ny-1):
            for k in range(1, nz-1):
                res[i,j,k] = (v_grid[i-1,j,k] + v_grid[i+1,j,k] +
                             v_grid[i,j-1,k] + v_grid[i,j+1,k] +
                             v_grid[i,j,k-1] + v_grid[i,j,k+1]) / 6
    return res

# 调用加速函数
processed_v = process_block(v_3d)

内容的提问来源于stack exchange，提问作者Spon