如何将Pandas DataFrame中元组转为数组或直接生成含数组的DataFrame

我有一个Pandas DataFrame，每行的条目是包含20个数值的元组，是通过以下代码生成的：

DataFrame = pd.DataFrame({'windows20_energy_x': array_passed}, dtype=float)

尝试改成下面的写法，想直接存入数组时出现报错：

DataFrame = pd.DataFrame({'windows20_energy_x': [array_passed]}, dtype=float)

错误信息：

AssertionError: Number of Block dimensions (4) must equal number of axes (2)

其中array_passed为：

import numpy as np

array_passed = [
    np.array([0.403, 0.153, 0.052, 0.299, 0.141, 0.056, 0.041, 0.019, 0.009,
              0.067, 0.05 , 0.022, 0.014, 0.054, 0.007, 0.007, 0.002, 0.009,
              0.003, 0.005]),
    np.array([0.277, 0.054, 0.101, 0.378, 0.066, 0.056, 0.047, 0.02 , 0.007,
              0.057, 0.036, 0.022, 0.024, 0.045, 0.006, 0.008, 0.007, 0.007,
              0.003, 0.002]),
    np.array([0.859, 1.905, 0.808, 9.338, 9.02 , 15.852, 2.491, 5.449,
              4.896, 5.937, 3.969, 3.397, 2.666, 0.429, 0.348, 0.458,
              0.527, 0.55 , 0.234, 0.174]),
    np.array([0.489, 0.105, 0.089, 0.464, 0.145, 0.043, 0.035, 0.008, 0.012,
              0.03 , 0.046, 0.019, 0.017, 0.194, 0.005, 0.014, 0.013, 0.009,
              0.007, 0.005])
]

疑问 #

1. 是否可以将DataFrame中的元组转为数组？
2. 是否有其他方法直接生成每行包含数组的DataFrame？

问题1：可以将元组转为数组 #

直接使用apply方法结合np.array，就能把列中的元组转回numpy数组：

import pandas as pd
import numpy as np

# 假设已生成的DataFrame名为df
df['windows20_energy_x'] = df['windows20_energy_x'].apply(np.array)

执行后，用type(df.iloc[0, 0])验证，会返回numpy.ndarray，说明转换成功。

问题2：直接生成每行含数组的DataFrame #

你之前的错误是因为把array_passed整个套进了列表，导致Pandas识别出维度不匹配。以下几种方法可以直接生成目标DataFrame：

方法1：直接传入array_passed（需后续转换） #

这就是你最开始的写法，Pandas会默认把数组转成元组存储，之后再用问题1的方法转回数组即可：

df = pd.DataFrame({'windows20_energy_x': array_passed}, dtype=float)

方法2：指定Series的dtype为object #

先将array_passed转为object类型的Series，再生成DataFrame，这样单元格会直接存储numpy数组，无需后续转换：

s = pd.Series(array_passed, dtype='object')
df = pd.DataFrame({'windows20_energy_x': s})

方法3：显式遍历生成列表 #

通过列表推导式确保每个元素都是数组，再传入DataFrame：

df = pd.DataFrame({'windows20_energy_x': [arr for arr in array_passed]}, dtype='object')

内容的提问来源于stack exchange，提问作者CarstenWE