本文介绍如何将具有坐标索引（如 Elevation、Azimuth）和多个数值列的 DataFrame，高效转换为形状为 (Azimuth.nunique(), Elevation.nunique(), n_features) 的 3D NumPy 数组，适用于雷达图、空间网格或深度学习输入等场景。
本文介绍如何将具有坐标索引（如 elevation、azimuth）和多个数值列的 dataframe，高效转换为形状为 `(azimuth.nunique(), elevation.nunique(), n_features)` 的 3d numpy 数组，适用于雷达图、空间网格或深度学习输入等场景。
要将结构化二维坐标数据（如方位角-俯仰角网格）转换为规整的三维数组，核心在于重建索引语义并重排维度。给定 DataFrame 包含 Elevation（2 个唯一值）、Azimuth（5 个唯一值）及目标特征列 ['median', 'count', 'to_drop']，目标形状为 (5, 2, 3) —— 即 Azimuth × Elevation × Features。
✅ 推荐方案：pivot + stack + reshape + transpose
这是最稳健、可控性最强的方法，不依赖外部库（如 xarray），纯 pandas + numpy 实现：
import pandas as pd
import numpy as np
# 构建示例数据
df = pd.DataFrame(data_dict)
# 步骤1：以 Elevation 为行、Azimuth 为列进行透视，生成 MultiIndex 列
# 结果：列层级为 (feature, Azimuth)，行索引为 Elevation
df_pivot = df.pivot(index='Elevation', columns='Azimuth', values=['median', 'count', 'to_drop'])
# 步骤2：stack 第一级列（即 feature 层），得到 MultiIndex DataFrame
# 索引：(Elevation, Azimuth)，列：feature 名（'median', 'count', 'to_drop'）
df_stacked = df_pivot.stack(level=0, future_stack=True) # pandas ≥ 2.2
# 步骤3：转为 numpy 数组，并按目标顺序重塑
# df_stacked.to_numpy() 形状为 (10, 3) → 需映射回 (Elevation × Azimuth, features)
# 利用 df_stacked.index.levshape 获取各层级长度：(n_elev, n_az) = (2, 5)
arr_3d = (df_stacked.to_numpy()
.reshape(*df_stacked.index.levshape, -1) # → (2, 5, 3)
.transpose(1, 0, 2)) # → (5, 2, 3)
print("最终形状:", arr_3d.shape)
print("示例切片 [Azimuth=0, Elevation=0]:", arr_3d[0, 0]) # [255, 255, 1]
? 关键说明：
- pivot(..., values=...) 显式指定需展开的列，避免无关列（如 'to_drop' 若非特征应提前筛选）干扰；
- stack(level=0) 将最外层列（即 ['median','count','to_drop']）压入行索引，使 df_stacked 的索引天然对应 (Elevation, Azimuth)；
- levshape 自动获取 MultiIndex 各层唯一值数量，比硬编码更鲁棒；
- transpose(1, 0, 2) 将 (Elevation, Azimuth, Feature) → (Azimuth, Elevation, Feature)，严格匹配目标维度顺序。
⚠️ 注意事项与常见陷阱
- 确保数据完整性：pivot 要求 (Elevation, Azimuth) 组合全覆盖（无缺失）。若存在空网格点，pivot 会填 NaN，后续 to_numpy() 保留 np.nan —— 可用 fillna() 或 dropna() 预处理。
- 列顺序敏感：values 参数中列的顺序决定第三维顺序（如 ['median','count','to_drop'] → arr_3d[..., 0] 恒为 median）。建议显式指定，勿依赖原始列序。
- 性能考量：对百万级记录，优先使用 pivot_table 并设置 aggfunc='first'（若需聚合），避免 pivot 报错；大规模场景可考虑 scipy.sparse 或 dask。
- 替代方案对比：to_xarray().to_array() 虽简洁，但引入 xarray 依赖且坐标命名需额外处理；而 groupby().apply() 无法直接生成稠密网格，易导致形状错乱。
✅ 总结
将坐标型 DataFrame 转为 3D 数组的本质是从“长表”到“立方体”的语义重构。通过 pivot 建立二维坐标骨架，stack 整合特征维度，再借助 reshape 和 transpose 精准对齐目标形状，即可在不丢失结构信息的前提下，获得可直接用于计算或可视化的标准 NumPy 张量。此模式可泛化至任意二维索引（如 lat/lon、x/y）+ 多通道数据场景。
