刚好处理过类似的非规范化空间数据转换需求，用Python的pandas库可以高效搞定这个问题——不管是单Y多Z、多Y单Z还是多组Y-Z配对的情况，都能灵活处理。下面给你分步讲解和可直接复用的代码：

核心思路 #

我们需要把每行的多组Y/Z数据拆分为多行，每行对应一个完整的X,Y,Z三元组。核心用到pandas的melt（数据融合）函数，针对不同的列结构做适配处理。

步骤1：安装依赖 #

首先确保你安装了必要的库：

pip install pandas openpyxl

（openpyxl用于读取新版Excel文件，.xls文件会自动用另一个引擎处理）

步骤2：编写处理脚本 #

下面的代码包含单个文件处理和批量处理的逻辑，支持你提到的几种常见列结构：

单个文件处理函数 #

import pandas as pd
import os

def process_excel_to_xyz(input_excel_path, output_csv_path):
    # 读取Excel文件（默认读取第一个工作表）
    df = pd.read_excel(input_excel_path, engine='openpyxl')
    
    # 自动识别X列（假设列名包含"X"，如果是中文列名可以改成对应的判断，比如"横坐标"）
    x_col = [col for col in df.columns if 'X' in col.upper()][0]
    
    # 分离Y列和Z列
    y_cols = [col for col in df.columns if 'Y' in col.upper()]
    z_cols = [col for col in df.columns if 'Z' in col.upper()]
    
    # 场景1：单Z + 多Y（比如X, Y1, Y2, Y3, Z）
    if len(z_cols) == 1 and len(y_cols) > 1:
        z_col = z_cols[0]
        # 把多列Y融合为单列，Z值重复对应每个Y
        melted_df = df.melt(id_vars=[x_col, z_col], value_vars=y_cols, value_name='Y')
        # 调整为X,Y,Z的顺序并导出
        result_df = melted_df[[x_col, 'Y', z_col]].rename(columns={z_col: 'Z'})
    
    # 场景2：单Y + 多Z（比如X, Y, Z1, Z2, Z3）
    elif len(y_cols) == 1 and len(z_cols) > 1:
        y_col = y_cols[0]
        # 把多列Z融合为单列，Y值重复对应每个Z
        melted_df = df.melt(id_vars=[x_col, y_col], value_vars=z_cols, value_name='Z')
        result_df = melted_df[[x_col, y_col, 'Z']].rename(columns={y_col: 'Y'})
    
    # 场景3：多组Y-Z配对（比如X, Y1, Z1, Y2, Z2, Y3, Z3）
    elif len(y_cols) == len(z_cols):
        # 按顺序配对Y和Z列，生成每行的X,Y,Z三元组
        result_rows = []
        for _, row in df.iterrows():
            x_val = row[x_col]
            for y_col, z_col in zip(y_cols, z_cols):
                result_rows.append({
                    'X': x_val,
                    'Y': row[y_col],
                    'Z': row[z_col]
                })
        result_df = pd.DataFrame(result_rows)
    
    # 特殊场景：如果列名不规范（比如用中文），请手动修改列识别逻辑
    else:
        raise ValueError(f"无法自动识别文件列结构：{input_excel_path}。请检查列名，或手动指定Y/Z列的配对关系。")
    
    # 导出为CSV（不含索引列）
    result_df.to_csv(output_csv_path, index=False)
    print(f"✅ 处理完成：{input_excel_path} → {output_csv_path}")

批量处理多个Excel文件 #

如果有一堆文件需要处理，用下面的代码批量遍历文件夹：

# 配置你的输入/输出文件夹路径
INPUT_FOLDER = "./excel_files"  # 放你的Excel文件的文件夹
OUTPUT_FOLDER = "./xyz_csv_results"

# 创建输出文件夹（如果不存在）
os.makedirs(OUTPUT_FOLDER, exist_ok=True)

# 遍历文件夹下所有Excel文件
for filename in os.listdir(INPUT_FOLDER):
    if filename.endswith(('.xlsx', '.xls')):
        input_path = os.path.join(INPUT_FOLDER, filename)
        # 生成输出文件名（原文件名+_xyz.csv）
        output_filename = f"{os.path.splitext(filename)[0]}_xyz.csv"
        output_path = os.path.join(OUTPUT_FOLDER, output_filename)
        
        try:
            process_excel_to_xyz(input_path, output_path)
        except Exception as e:
            print(f"❌ 处理文件 {filename} 失败：{str(e)}")

自定义适配说明 #

• 如果你的列名是中文（比如"横坐标"、"纵坐标1"、"高度2"），修改代码里的列识别逻辑即可，比如把'X' in col.upper()改成col == '横坐标'。
• 如果存在非顺序的Y-Z配对（比如Y1对应Z3），可以在场景3的代码里手动指定配对关系，比如把zip(y_cols, z_cols)改成zip(['Y1','Y2'], ['Z3','Z1'])。
• 测试时建议先拿一个样本文件跑通逻辑，再批量处理。

内容的提问来源于stack exchange，提问作者user3344003