本文介绍使用 pandas 高效读取含头尾行的结构化文本文件，自动按列交错模式（如 x1,y1,x2,y2,…）提取并扁平化为多个一维浮点数组，支持自定义列分组数、逗号小数点转换及 latin-1 编码。
本文介绍使用 pandas 高效读取含头尾行的结构化文本文件，自动按列交错模式（如 x1,y1,x2,y2,…）提取并扁平化为多个一维浮点数组，支持自定义列分组数、逗号小数点转换及 latin-1 编码。
在处理类似实验数据或传感器记录的结构化文本时，常遇到“交错列布局”：每行包含多组同类型变量（如 x1 y1 x2 y2 x3 y3），且文件前后含非数据行（标题/页脚）。目标是将所有 x 值（第0、2、4…列）合并为一个升序排列的一维浮点数组，所有 y 值（第1、3、5…列）同理。手动拆解列并拼接不仅冗长，还难以扩展。
推荐采用 Pandas + NumPy 协同方案，兼顾可读性、健壮性与扩展性：
import pandas as pd
import numpy as np
# 1. 跳过头两行和最后一行，用正则匹配任意空白符分隔（兼容 tab/空格）
df = pd.read_csv(
"file.txt",
header=None,
skiprows=2, # 跳过前2行（header lines）
skipfooter=1, # 跳过末1行（footer line）
sep=r"\s+", # 强制按空白符（含tab）分割
engine="python", # 兼容 skipfooter（默认 C 引擎不支持）
encoding="latin-1" # 指定文件编码
)
# 2. 统一替换逗号为点，并转为 float（自动处理尾部空格）
df = df.replace(",", ".", regex=True).astype(float)
# 3. 定义分组数：此处 n=2 表示每组含2个变量（x 和 y）
n = 2
# 4. 按列索引模 n 分组：i=0 → 所有 x 列（0,2,4,...）；i=1 → 所有 y 列（1,3,5,...）
# 使用 order="F"（Fortran order）实现列优先扁平化，确保 [x1,x2,x3,...,xN] 的自然顺序
arrays = [df.iloc[:, i::n].to_numpy().flatten(order="F") for i in range(n)]
x_values, y_values = arrays[0], arrays[1]
print("x_values:", x_values)
print("y_values:", y_values)
✅ 输出结果：
x_values: [1. 2. 3. 4. 5. 6. 7. 8. 9.] y_values: [1.5 2.5 3.5 4.5 5.5 6.5 7.5 8.5 9.5]
关键说明与注意事项：
- skipfooter=1 需显式指定 engine="python"，否则会报错（C 引擎不支持该参数）；
- sep=r"\s+" 比 delimiter="" 更鲁棒，能同时处理 tab 和连续空格；
- replace(..., regex=True) 一次性处理整张表，比逐列 converter 更简洁高效；
- flatten(order="F") 是核心：它按列优先展开，使 [[x1,x2,x3],[x4,x5,x6]] 变为 [x1,x4,x2,x5,x3,x6]？不——注意！本例中 df.iloc[:, i::n] 提取的是离散列（如列0、2、4），它们在原始 DataFrame 中已是“垂直堆叠”的逻辑结构；而 order="F" 确保对每个子 DataFrame（如 x_cols = df[:, [0,2,4]]）执行列主序展平，即先取第0列全部值，再取第2列全部值……最终得到 [x1,x2,x3, x4,x5,x6, x7,x8,x9] ——这正是题目要求的“所有 x 合并为单一有序数组”；
- 若需适配其他分组数（如每组3列：x,y,z），仅需修改 n = 3，arrays 将自动产出3个数组；
- 如需保留原始列名或进一步校验，可在 read_csv 中添加 names=["x1","y1","x2","y2",...]，但本方案无需预知列数，更具通用性。
此方法彻底摆脱了硬编码列索引与多次 concatenate，以声明式逻辑清晰表达“按步长分组→列优先合并”的数据意图，是处理此类交错格式的推荐实践。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
