pandas如何按索引将2D DataFrame转换为3D结构

pandas没有直接实现该需求的内置函数，可以结合numpy操作快速实现你要的效果：

1. 场景1：单个id对应所有数据的转换 #

针对你给出的示例，直接提取数值后插入新维度即可：

import pandas as pd
import numpy as np

# 构造示例DataFrame
df = pd.DataFrame(
    data=[[1,2,3],[4,5,6],[7,8,9]],
    index=[1,1,1],
    columns=['col1','col2','col3']
)
df.index.name = 'id'

# 转换为形状(3,1,3)的3D数组
res_3d = df.values[:, np.newaxis, :]
print(res_3d.shape) # 输出：(3, 1, 3)

2. 场景2：存在多个不同id的通用转换 #

如果你的数据里有多个不同的id值，按id分组处理即可：

grouped = df.groupby('id')
# 生成字典，key为id值，value为对应id的3D数组
id_3d_map = {
    gid: group_df.values[:, np.newaxis, :]
    for gid, group_df in grouped
}

# 查看id=1的数组形状
print(id_3d_map[1].shape) # 输出：(3, 1, 3)

补充说明 #

如果需要保留列名、索引等元信息，可以用xarray库的DataArray封装转换后的3D数组，方便后续带标签操作。

内容的提问来源于stack exchange，提问作者Vadim