如何将形状为(7,100,50)的3D numpy数组转为含坐标与值的DataFrame？

针对3D numpy数组转包含x/y/z坐标和像素值的DataFrame，有两种实现方式，兼顾你的原有代码逻辑和高效性：

方式一：沿用列表推导式（适配你原代码的坐标逻辑） #

直接扩展原有代码，新增z维度的循环：

import numpy as np
import pandas as pd

# 3D数组
zimg = np.random.randint(0,30,size=(7,100,50))
z_num, y_size, x_size = zimg.shape

# 展平所有像素值
cell_id = zimg.flatten()

# 生成x坐标：每个图像的x索引（0-49）循环100次，共7张图
x = [i % x_size for i in range(len(cell_id))]

# 生成y坐标：每个y值（0-49）重复100次，再重复7次（对应7张图）
y = [y_val for y_val in range(x_size) for _ in range(y_size) for __ in range(z_num)]

# 生成z坐标：每个z值（0-6）重复100*50次（单张图的总像素数）
z = [z_val for z_val in range(z_num) for _ in range(y_size * x_size)]

# 构建DataFrame
df = pd.DataFrame(data={"id": cell_id, "x": x, "y": y, "z": z})

方式二：用numpy高效生成坐标（推荐，大数据量更快） #

利用numpy的indices直接生成三维坐标矩阵，再展平，比列表推导式效率高得多：

import numpy as np
import pandas as pd

zimg = np.random.randint(0,30,size=(7,100,50))

# 生成三维坐标矩阵：z_coords对应第0维度，y_coords对应第1维度，x_coords对应第2维度
z_coords, y_coords, x_coords = np.indices(zimg.shape)

# 展平所有数据
cell_id = zimg.flatten()
z = z_coords.flatten()

# 完全匹配你原代码逻辑的y/x生成
y = x_coords.flatten()
x = np.tile(np.repeat(np.arange(x_coords.shape[2]), y_coords.shape[1]), z_coords.shape[0])

df = pd.DataFrame(data={"id": cell_id, "x": x, "y": y, "z": z})

注意点 #

你原代码中对y坐标的生成可能存在坐标顺序混淆：原img是(100,50)（行×列），但你的y是基于列数（50）循环行数（100）次，得到的y值是列索引而非行索引。如果你的实际需求是y对应图像的行（0-99），x对应列（0-49），则需要调整：

• 列表推导式中y改为：y = [y_val for y_val in range(y_size) for _ in range(x_size) for __ in range(z_num)]
• numpy方式中直接用：y = y_coords.flatten()，x = x_coords.flatten()

内容的提问来源于stack exchange，提问作者zeratoss