如何高效将二维NumPy数组转换为指定结构的三列DataFrame？

这有几个实用且高效的方法可以实现你要的转换，我平时处理这类需求时常用这些方案：

方法1：用Pandas的stack()（最简洁直观） #

这个方法代码量最少，逻辑清晰，适合大多数常规场景：

import numpy as np
import pandas as pd

arr = np.arange(0, 12).reshape(3,4)
# 先把矩阵转为DataFrame，再用stack把列索引转成内层行索引
df = pd.DataFrame(arr).stack().reset_index()
# 重命名列名到你需要的X/Y/Z
df.columns = ['X', 'Y', 'Z']

stack()会自动把原矩阵的列索引转为二级行索引，之后reset_index()把这两个索引都转成普通列，最后重命名即可。

方法2：用NumPy生成索引（性能最优，适合大矩阵） #

如果你的矩阵规模很大，这个方法的速度会比纯Pandas操作快很多，因为全程用NumPy的向量化操作：

import numpy as np
import pandas as pd

arr = np.arange(0, 12).reshape(3,4)
# 生成和原矩阵同形状的行、列索引矩阵
rows, cols = np.indices(arr.shape)
# 把所有矩阵展平成一维数组，再构建DataFrame
df = pd.DataFrame({
    'X': rows.ravel(),
    'Y': cols.ravel(),
    'Z': arr.ravel()
})

np.indices直接生成对应位置的行、列索引，ravel()把多维数组展平为一维，整个过程都是底层的向量化运算，处理大矩阵时效率优势很明显。

方法3：用Pandas的melt()（备选方案） #

这个方法逻辑稍绕一点，但也是可行的，适合已经熟悉melt用法的场景：

import numpy as np
import pandas as pd

arr = np.arange(0, 12).reshape(3,4)
# 先把行索引转为普通列，再用melt把列转成行
df = pd.DataFrame(arr).reset_index().melt(id_vars='index', var_name='Y', value_name='Z')
# 重命名行索引列为X
df = df.rename(columns={'index': 'X'})

总结 #

• 小矩阵/追求代码简洁：选方法1
• 大矩阵/追求性能：选方法2

内容的提问来源于stack exchange，提问作者timbmg