Python如何在数组单个单元格存储多值并转为DataFrame

你原有代码无法运行的核心问题是：通过np.zeros()默认创建的是数值型同质二维数组，每个单元格仅支持存储单个标量值，无法直接存入长度为3的序列对象。

方案1：结构化Numpy数组（适配原逻辑，单元格直接存储3个关联值） #

直接定义带3个字段的结构化数据类型，数组每个位置天然支持存储A、B、C三个对应值，可直接转换为DataFrame，是最贴合你初始思路的实现：

import pandas as pd
import numpy as np
Nx = 10
Nt = 10
# 定义结构化dtype，可根据实际数据类型替换：比如存浮点数就把'U1'换成float，存整数换int
dt = np.dtype([('A', 'U1'), ('B', 'U1'), ('C', 'U1')])
Data_end = np.zeros((Nx-1, Nt), dtype=dt)

for t in range(Nt):
    for i in range(Nx-1):
        A = 'A'
        B = 'B'
        C = 'C'
        Data_end[i, t] = (A, B, C)

df = pd.DataFrame(Data_end)

该方案生成的数组和DataFrame支持直接按字段名批量提取所有位置的A、B、C值，兼容numpy和pandas的向量化运算，性能稳定。

方案2：三维数组转多层索引DataFrame（数据处理场景首选） #

如果A、B、C为同类型数值，不需要刻意把三个值塞进同一个单元格，直接创建维度为(Nx-1, Nt, 3)的三维数组，转换为带位置、时间、指标维度的规范结构化表，后续筛选、计算效率远高于单元格存复合值的结构：

import pandas as pd
import numpy as np
Nx = 10
Nt = 10
# 三维数组维度依次对应：位置索引、时间索引、指标(A/B/C)
Data_end = np.zeros((Nx-1, Nt, 3), dtype='U1')

for t in range(Nt):
    for i in range(Nx-1):
        A = 'A'
        B = 'B'
        C = 'C'
        Data_end[i, t] = [A, B, C]

# 转换为多层索引DataFrame：行对应位置，列对应「时间-指标」层级
df = pd.DataFrame(
    Data_end.reshape(-1, 3),
    index=pd.MultiIndex.from_product([range(Nx-1), range(Nt)], names=['位置idx', '时间idx']),
    columns=['A', 'B', 'C']
).unstack('时间idx')

方案3：Object类型数组（临时存储用，不推荐） #

如果需要临时往数组单元格存入任意Python对象，可以将数组dtype设置为object，但该方案下数组无法触发numpy/pandas的向量化优化，运算性能差，容易出现类型兼容问题，仅作为备选：

import pandas as pd
import numpy as np
Nx = 10
Nt = 10
# 声明为object类型后，每个单元格可以存列表、元组等任意Python对象
Data_end = np.zeros((Nx-1, Nt), dtype=object)

for t in range(Nt):
    for i in range(Nx-1):
        A = 'A'
        B = 'B'
        C = 'C'
        Data_end[i, t] = [A, B, C]

df = pd.DataFrame(Data_end)

内容的提问来源于stack exchange，提问作者AntoineRu