如何将Pandas数据框对齐为面板以实现三维时序绘图？

嘿，这个需求我太熟悉了——处理多年份的同结构数据合并成面板，再做时间维度的可视化，其实步骤很清晰，我来给你拆解一下！

你有12个结构完全一致的DataFrame，最直接的方式是给每个数据框打上年份标签，再合并成一个大的DataFrame，这样后续不管是绘图还是分析都非常灵活。

方法一：手动添加年份列后合并 #

假设你的12个数据框分别命名为df_2015、df_2016……df_2026，可以这样操作：

import pandas as pd

# 给每个数据框添加年份列
df_2015['year'] = 2015
df_2016['year'] = 2016
# ... 重复这个步骤到2026年的DataFrame

# 合并所有数据框
panel_df = pd.concat([df_2015, df_2016, ..., df_2026], ignore_index=True)

方法二：用字典批量处理（更高效） #

如果你的数据框已经按年份存在字典里（比如year_dfs = {2015: df_2015, 2016: df_2016, ...}），可以用列表推导式批量添加年份并合并：

panel_df = pd.concat(
    [df.assign(year=year) for year, df in year_dfs.items()],
    ignore_index=True
)

进阶：用层次化索引（MultiIndex） #

如果你更倾向于传统“面板数据”的结构，可以把年份设为行索引的一部分：

panel_multi = pd.concat(
    year_dfs.values(),
    keys=year_dfs.keys(),
    names=['year', 'original_index']
)
# 后续可以随时用panel_multi.reset_index()把year转回列

完全适合！合并后的面板数据完美适配三维绘图的需求——你可以轻松提取年份（X轴）、犯罪类型（Y轴）、**数值列（比如案件数量，Z轴）**这三个维度的数据。

举个Matplotlib三维散点图的示例，展示每年不同犯罪类型的案件数量：

import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

# 把犯罪类型转换成数值（三维图的Y轴需要数值型数据）
crime_cats = panel_df['Grave Crimes'].unique()
crime_to_num = {cat: idx for idx, cat in enumerate(crime_cats)}
panel_df['crime_num'] = panel_df['Grave Crimes'].map(crime_to_num)

# 创建三维画布
fig = plt.figure(figsize=(10, 6))
ax = fig.add_subplot(111, projection='3d')

# 绘制散点
ax.scatter(
    panel_df['year'],
    panel_df['crime_num'],
    panel_df['Cases Recorded'],
    s=50, c='blue', alpha=0.7
)

# 设置坐标轴标签
ax.set_xlabel('Year', fontsize=12)
ax.set_ylabel('Crime Category', fontsize=12)
ax.set_zlabel('Cases Recorded', fontsize=12)

# 把Y轴的数值换回犯罪类型名称
ax.set_yticks(list(crime_to_num.values()))
ax.set_yticklabels(list(crime_to_num.keys()))

plt.title('Crime Cases Over Years (3D View)', fontsize=14)
plt.show()

如果用Plotly这样的交互式库，合并后的面板数据也能快速生成可拖拽、缩放的三维图，体验更好。另外，这种结构也方便先做二维时间序列对比（比如每年各犯罪类型的折线图），再根据需求升级到三维可视化。

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