基于行和列列表重构NumPy数组 实现类似透视表的功能

推荐方案：基于Pandas实现 #

• 无需手动编写循环匹配逻辑，自动处理行组合去重、值匹配填充，边界场景适配性强

import numpy as np
import pandas as pd

# 替换为你的实际NumPy结构化数组
dtype = [('float_val', 'f8'), ('row1', 'U10'), ('row2', 'i4'), ('row3', 'i4'), ('row4', 'i4'), ('rank', 'i4')]
structured_arr = np.array([
    (1.2, 'A', 1, 2, 3, 1),
    (2.3, 'A', 1, 2, 3, 2),
    (3.4, 'A', 1, 2, 3, 3),
    (4.5, 'A', 2, 3, 4, 1),
    (5.6, 'A', 2, 3, 4, 3)
], dtype=dtype)

# 结构化数组转DataFrame
df = pd.DataFrame(structured_arr)

# 生成透视表
pivot_df = df.pivot_table(
    index=['row1', 'row2', 'row3', 'row4'],
    columns='rank',
    values='float_val',
    fill_value=np.nan,  # 无匹配数据的单元格填充值，可按需修改为0等
    aggfunc='first'     # 同组合同rank存在多个值时的聚合规则，可改为np.mean/sum等
).reset_index()

# 如需转回NumPy数组，调用 pivot_df.to_numpy() 即可

纯NumPy实现方案 #

• 无需依赖第三方库，适合运行环境无法安装Pandas的场景

import numpy as np

# 替换为你的实际NumPy结构化数组
dtype = [('float_val', 'f8'), ('row1', 'U10'), ('row2', 'i4'), ('row3', 'i4'), ('row4', 'i4'), ('rank', 'i4')]
structured_arr = np.array([
    (1.2, 'A', 1, 2, 3, 1),
    (2.3, 'A', 1, 2, 3, 2),
    (3.4, 'A', 1, 2, 3, 3),
    (4.5, 'A', 2, 3, 4, 1),
    (5.6, 'A', 2, 3, 4, 3)
], dtype=dtype)

# 提取行维度组合并去重，得到每个原始数据对应的行索引
row_keys = structured_arr[['row1', 'row2', 'row3', 'row4']]
unique_rows, row_indices = np.unique(row_keys, return_inverse=True)

# 定义rank到列的映射
rank_col_map = {1: 0, 2: 1, 3: 2}

# 初始化结果数组：前4列为row1-row4，后3列为rank=1/2/3对应数值
result = np.full(
    shape=(len(unique_rows), 7),
    fill_value=np.nan,
    dtype=object
)

# 填充行维度字段
for idx, row in enumerate(unique_rows):
    result[idx, :4] = tuple(row)

# 匹配填充浮点数值
for val, rank, row_idx in zip(structured_arr['float_val'], structured_arr['rank'], row_indices):
    col_pos = 4 + rank_col_map[rank]
    result[row_idx, col_pos] = val

若存在同一行维度+rank组合对应多个浮点数值的情况，需额外添加去重、聚合逻辑避免后写入的值覆盖先写入的值。

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