如何将扁平化Pandas DataFrame转换为多维NumPy数组？

Pandas没有直接实现这种任意维度“还原扁平化”的内置函数，但可以通过多级索引+重塑+NumPy形状调整的组合操作来实现，且能灵活适配新增维度的场景。

核心思路 #

通过将所有维度列设置为多级索引，逐步将内层索引转为列层级，最后将数据转为NumPy数组并调整为对应维度的形状，即可实现需求。

通用实现方法 #

我们可以封装一个通用函数，适配任意数量的维度：

import pandas as pd
import numpy as np

def flatten_to_numpy(df, dim_cols, val_col):
    # 将所有维度列设置为多级索引
    indexed_df = df.set_index(dim_cols)
    # 依次将除第一个维度外的其他维度从索引转为列层级
    for col in dim_cols[1:]:
        indexed_df = indexed_df.unstack(col)
    # 确定目标多维数组的形状（各维度的唯一值数量）
    target_shape = tuple(df[col].nunique() for col in dim_cols)
    # 转换为NumPy数组并调整形状
    return indexed_df[val_col].to_numpy().reshape(target_shape)

示例验证 #

2D场景测试

原始扁平化DataFrame：

df_flat = pd.DataFrame({'dim1': ['a', 'a', 'b', 'b'], 'dim2': ['x', 'y', 'x', 'y'], 'val': [2, 4, 6, 8]})

调用函数转换：

result_2d = flatten_to_numpy(df_flat, ['dim1', 'dim2'], 'val')
print(result_2d)

输出结果（与目标一致）：

[[2 4]
 [6 8]]

3D场景测试

原始扁平化DataFrame：

df_3d_flat = pd.DataFrame({'dim1': ['a', 'a', 'b', 'b', 'a', 'a', 'b', 'b'], 
                           'dim2': ['x', 'y', 'x', 'y', 'x', 'y', 'x', 'y'], 
                           'dim3': ['i', 'i', 'i', 'i', 'j', 'j', 'j', 'j'], 
                           'val': [2, 4, 6, 8, 1, 3, 5, 7]})

调用函数转换：

result_3d = flatten_to_numpy(df_3d_flat, ['dim1', 'dim2', 'dim3'], 'val')
print(result_3d)

输出结果（与目标一致）：

[[[2 1]
  [4 3]]

 [[6 5]
  [8 7]]]

灵活性说明 #

新增维度时，只需在调用函数时更新dim_cols参数（传入所有维度列的名称列表），函数会自动计算各维度的唯一值数量并生成对应形状的多维数组。

内容的提问来源于stack exchange，提问作者user17033672