请求高效实现：将三列表格数据转换为numpy矩阵

核心思路 #

先将字符串类型的行/列标签映射为矩阵的索引，再通过numpy的向量化索引赋值批量填充数值，避免循环遍历，保证处理效率。

方法一：结合Pandas（更易处理结构化数据） #

如果输入数据是表格形式，用Pandas先做标签映射会更直观：

import numpy as np
import pandas as pd

# 输入数据
data_rows = [('A', 'B', 1), ('C', 'D', 2), ('E', 'F', 3), ('A', 'D', 1), ('E', 'B', 4)]
df = pd.DataFrame(data_rows, columns=['D1', 'D2', 'Value'])

# 提取并排序唯一的行/列标签（保证顺序稳定）
row_labels = sorted(df['D1'].unique())
col_labels = sorted(df['D2'].unique())

# 创建标签到矩阵索引的映射
row_idx_map = {label: idx for idx, label in enumerate(row_labels)}
col_idx_map = {label: idx for idx, label in enumerate(col_labels)}

# 初始化全0数值矩阵（若需空值可替换为np.full(..., np.nan)）
result_matrix = np.zeros((len(row_labels), len(col_labels)), dtype=int)

# 批量获取索引并赋值
row_indices = df['D1'].map(row_idx_map).values
col_indices = df['D2'].map(col_idx_map).values
result_matrix[row_indices, col_indices] = df['Value'].values

print(result_matrix)

输出结果：

[[1 1 0]
 [0 2 0]
 [4 0 3]]

对应行顺序：A、C、E，列顺序：B、D、F，完全匹配需求。

方法二：纯Numpy实现（无额外依赖） #

如果不想引入Pandas，纯Numpy也能完成：

import numpy as np

# 将输入数据转为numpy数组
data = np.array([
    ['A', 'B', 1],
    ['C', 'D', 2],
    ['E', 'F', 3],
    ['A', 'D', 1],
    ['E', 'B', 4]
], dtype=object)

# 拆分列数据
d1_col = data[:, 0]
d2_col = data[:, 1]
values = data[:, 2].astype(int)

# 用np.unique自动提取唯一标签并生成索引映射（返回的索引直接对应矩阵位置）
row_labels, row_indices = np.unique(d1_col, return_inverse=True)
col_labels, col_indices = np.unique(d2_col, return_inverse=True)

# 初始化矩阵并批量赋值
result_matrix = np.zeros((len(row_labels), len(col_labels)), dtype=int)
result_matrix[row_indices, col_indices] = values

print(result_matrix)

输出和方法一完全一致，np.unique会自动对标签排序，所以行/列顺序同样是A/C/E和B/D/F。

效率说明 #

两种方法都采用向量化操作，避免了Python层面的循环，处理大规模数据时效率远高于逐行遍历赋值。如果数据量超过十万级，优势会更明显。

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