python中使用dataframe二維數(shù)據(jù)轉(zhuǎn)換為三維數(shù)據(jù)的幾種方法

更新時間：2026年02月05日 10:12:17 作者：import_random

本文主要介紹了將二維DataFrame重塑為三維數(shù)組或張量,文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友們下面隨著小編來一起學習學習吧

1.使用NumPy的reshape方法
2.基于時間序列的重塑（時間步長×樣本×特征）
3.基于分組變量重塑
4.使用Pandas的MultiIndex創(chuàng)建三維結(jié)構(gòu)
5.批量處理的時間序列（深度學習中常用）
6.使用TensorFlow/PyTorch進行重塑
選擇重塑維度的指導原則：
注意事項：

我們可以將二維DataFrame重塑為三維數(shù)組，但需要注意DataFrame是二維的，所以我們需要指定如何將其分成多個二維切片（即第三維）。

假設我們有一個二維DataFrame，形狀為 (n_rows, n_columns)，我們想將其重塑為 (a, b, c)，其中 a* b * c = n_rows * n_columsn 但是，由于DataFrame是二維的，我們通常需要先將其轉(zhuǎn)換為NumPy數(shù)組，然后進行重塑。

然而，重塑為三維通常意味著我們要增加一個維度。常見的方法是將行或列分組，形成多個二維平面。

例如，假設我們有一個12行4列的DataFrame，我們可以將其重塑為（3, 4, 4）表示有3個4x4的矩陣，或者（4, 3, 4）等。

但是，需要注意的是，重塑后的總元素數(shù)量必須與原DataFrame相同。

步驟：

將DataFrame轉(zhuǎn)換為NumPy數(shù)組。
使用reshape函數(shù)重塑數(shù)組。

另外，我們也可以使用np.reshape或者DataFrame的values.reshape。

但是，如果我們想要按照特定的方式重塑，比如將每幾行作為一個二維切片，那么我們需要先確定第三維的大小。

例如，如果我們想要將每m行作為一個二維切片，那么第三維的大小就是 n_rows / m，每個切片是 m x n_columns。

假設原DataFrame有n_rows行，n_columns列，我們想重塑為 (k, m, n_columns)，其中 k * m = n_rows。

下面是一個示例：

將二維DataFrame轉(zhuǎn)換為三維數(shù)組（或張量）通常需要根據(jù)數(shù)據(jù)的內(nèi)在結(jié)構(gòu)進行重塑。以下是幾種常見的方法：

1.使用NumPy的reshape方法

import pandas as pd
import numpy as np

# 創(chuàng)建示例DataFrame
df = pd.DataFrame({
    'A': range(12),
    'B': range(12, 24),
    'C': range(24, 36)
})

# 轉(zhuǎn)換為三維數(shù)組 (3, 4, 3) - 3個時間步長，4個樣本，3個特征
array_3d = df.values.reshape(3, 4, 3)
print(array_3d.shape)  # (3, 4, 3)

2.基于時間序列的重塑（時間步長×樣本×特征）

# 假設每4行代表一個時間序列段
n_timesteps = 3
n_samples = 4
n_features = 3

# 確保DataFrame行數(shù)匹配
assert len(df) == n_timesteps * n_samples

# 重塑為 (時間步長, 樣本數(shù), 特征數(shù))
reshaped = df.values.reshape(n_timesteps, n_samples, n_features)

3.基于分組變量重塑

# 創(chuàng)建包含分組列的DataFrame
df_grouped = pd.DataFrame({
    'group': ['A', 'A', 'A', 'B', 'B', 'B', 'C', 'C', 'C'],
    'feature1': range(9),
    'feature2': range(10, 19)
})

# 按照分組轉(zhuǎn)換為三維
groups = df_grouped['group'].unique()
n_groups = len(groups)
n_rows_per_group = 3
n_features = 2

array_3d = np.zeros((n_groups, n_rows_per_group, n_features))

for i, group in enumerate(groups):
    group_data = df_grouped[df_grouped['group'] == group][['feature1', 'feature2']].values
    array_3d[i] = group_data

4.使用Pandas的MultiIndex創(chuàng)建三維結(jié)構(gòu)

# 創(chuàng)建多層索引DataFrame
index = pd.MultiIndex.from_product([
    ['Group1', 'Group2'],  # 第一層
    ['Time1', 'Time2', 'Time3'],  # 第二層
    ['Feature1', 'Feature2']  # 第三層
], names=['Group', 'Time', 'Feature'])

df_multi = pd.DataFrame({'Value': np.random.randn(12)}, index=index)

# 轉(zhuǎn)換為三維數(shù)組
unstacked = df_multi.unstack(level=['Group', 'Time'])
array_3d = unstacked.values.reshape(2, 3, 2)

5.批量處理的時間序列（深度學習中常用）

def create_sequences(data, seq_length):
    """將時間序列數(shù)據(jù)轉(zhuǎn)換為監(jiān)督學習格式"""
    sequences = []
    for i in range(len(data) - seq_length + 1):
        seq = data.iloc[i:i + seq_length].values
        sequences.append(seq)
    return np.array(sequences)

# 創(chuàng)建序列數(shù)據(jù)
sequence_length = 3
X_3d = create_sequences(df, sequence_length)
print(X_3d.shape)  # (10, 3, 3) - 10個序列，每個3個時間步，每個時間步3個特征

6.使用TensorFlow/PyTorch進行重塑

# TensorFlow
import tensorflow as tf
tensor_3d = tf.reshape(tf.constant(df.values), (3, 4, 3))

# PyTorch
import torch
tensor_3d = torch.tensor(df.values).reshape(3, 4, 3)

選擇重塑維度的指導原則：

時間序列數(shù)據(jù)：(時間步長, 樣本數(shù), 特征數(shù))
圖像數(shù)據(jù)：(樣本數(shù), 高度, 寬度, 通道數(shù))
分組數(shù)據(jù)：(組數(shù), 組內(nèi)樣本數(shù), 特征數(shù))
自然語言處理：(批大小, 序列長度, 詞向量維度)

注意事項：

確保重塑后的總元素數(shù)量與原始DataFrame一致
考慮數(shù)據(jù)的實際含義和后續(xù)處理需求
如果是面板數(shù)據(jù)，考慮使用xarray庫的DataArray來替代

import xarray as xr
# 創(chuàng)建三維DataArray
da = xr.DataArray(
    df.values.reshape(3, 4, 3),
    dims=['time', 'sample', 'feature'],
    coords={
        'time': pd.date_range('2023-01-01', periods=3, freq='D'),
        'sample': range(4),
        'feature': ['A', 'B', 'C']
    }
)

到此這篇關于python中使用dataframe二維數(shù)據(jù)轉(zhuǎn)換為三維數(shù)據(jù)的幾種方法的文章就介紹到這了,更多相關python 二維數(shù)據(jù)轉(zhuǎn)三維數(shù)據(jù)內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: