如何用Python将给定数组转换为三维Numpy矩阵U[i,j,d]

针对你的需求，这里提供两种适合Python新手的实现方法：

方法1：使用Numpy创建三维数组 #

这种方式最直接，能实现U[i,j,d]的直接索引调用：

1. 先把数据读入Pandas DataFrame（如果还没读入）：

import pandas as pd

# 替换为你的数据文件路径，或直接使用已有的DataFrame
df = pd.read_csv('your_data_file.csv')

2. 确定三维数组的尺寸：

import numpy as np

max_i = df['i'].max()
max_j = df['j'].max()
max_d = df['d'].max()

# 创建初始三维数组，用0填充（可根据需求修改初始值）
U = np.zeros((max_i + 1, max_j + 1, max_d + 1), dtype=int)

3. 填充数据到数组中：

# 高效遍历数据填充
for i, j, d, u in df.to_numpy():
    U[int(i), int(j), int(d)] = u

完成后即可直接调用，比如U[1,1,0]会返回1，U[15,15,6]返回2。

方法2：使用Pandas MultiIndex保留标签访问 #

如果想保留原数据的标签关联，可通过MultiIndex实现类似访问：

1. 设置i、j、d为多层索引：

df.set_index(['i', 'j', 'd'], inplace=True)

2. 通过loc访问对应值：

df.loc[(1, 1, 0)]  # 获取i=1,j=1,d=0对应的Uijd值
df.loc[(15,15,6)]  # 获取i=15,j=15,d=6对应的Uijd值

注意事项 #

• 如果存在缺失的i/j/d组合，Numpy数组中对应位置会保持初始值（比如0），若需要标记缺失可将数组 dtype 改为float，初始值设为np.nan。
• 数据量较大时，使用df.to_numpy()遍历比iterrows()效率更高。

内容的提问来源于stack exchange，提问作者Maximiliano Martínez Sáez