本文介绍一种基于 Pandas 与 NumPy 的高效方法，将每行含多组三维坐标及其对应向量的数据（如 x1 y1 z1 x2 y2 z2 ... data1x data1y data1z ...）重构成“每组坐标+对应向量”为一行的新格式，避免手动切片拼接，适用于大规模节点数据处理。
本文介绍一种基于 pandas 与 numpy 的高效方法，将每行含多组三维坐标及其对应向量的数据（如 `x1 y1 z1 x2 y2 z2 ... data1x data1y data1z ...`）重构成“每组坐标+对应向量”为一行的新格式，避免手动切片拼接，适用于大规模节点数据处理。
在科学计算与数值模拟后处理中，常遇到一类结构化文本数据：每行包含 N 个三维空间坐标（如 x_i y_i z_i）紧随 N 个三维向量分量（如 data_ix data_iy data_iz）。例如，10 个节点对应 30 个坐标值 + 30 个向量值，共 60 列。目标是将原始宽格式（wide format）转换为长格式（long format），使每一行仅表示一个节点的坐标与其对应的向量——即从「1 行 × 60 列」变为「10 行 × 6 列」。
手动索引（如 line_list[0:3] + line_list[30:33]）虽可行，但硬编码列号易出错、难以维护，且无法灵活适配不同节点数（如从 10 节点切换到 50 节点）。推荐使用 pandas + numpy 的向量化方案，兼具可读性、健壮性与性能优势。
核心思路如下：
-
统一加载：用
pd.read_csv(..., sep=r'\s+', header=None)读取空格/制表符分隔的纯文本，生成形状为(n_rows, total_cols)的 DataFrame； -
重塑结构：利用
.values.reshape(-1, n_nodes, 6)将每行数据拆分为n_nodes组，每组含 6 列（3 坐标 + 3 向量）； -
重组行序：通过
np.hstack沿列方向拼接所有组，再转为 DataFrame，自然实现“每节点一行”。
假设每行含 n 个节点（即 3n 个坐标列 + 3n 个向量列 = 6n 列），通用代码如下：
import pandas as pd
import numpy as np
from io import StringIO
# 示例：替换为实际文件路径
file_path = "input_data.txt"
# 步骤1：读取全部数据（跳过首行标题可加 skiprows=1）
df = pd.read_csv(file_path, sep=r'\s+', header=None, skiprows=1)
# 步骤2：设定节点数（此处 n=3；实际中根据需求修改，如 n=10）
n_nodes = 10 # ✅ 根据你的数据调整此值
# 步骤3：将每行 reshape 为 (n_nodes, 6)，再水平堆叠所有行
# df.values.shape = (n_rows, 6*n_nodes) → reshape(-1, n_nodes, 6) → (n_rows, n_nodes, 6)
reshaped = df.values.reshape(-1, n_nodes, 6)
stacked = np.hstack([reshaped[:, i, :] for i in range(n_nodes)]) # 形状: (n_rows * n_nodes, 6)
# 步骤4：构造结果 DataFrame 并保存
result_df = pd.DataFrame(stacked, columns=['x', 'y', 'z', 'vx', 'vy', 'vz'])
result_df.to_csv("reformatted_output.csv", index=False, float_format="%.6f")
⚠️ 注意事项：
reshape(-1, n_nodes, 6)中-1自动推导行数，确保total_cols == 6 * n_nodes，否则会报错——建议先校验：assert df.shape[1] % 6 == 0；- 若文件含非数值标题行（如
# Node Data），务必通过skiprows或comment='#'过滤；- 对于超大文件（GB 级），可改用
chunksize分块处理，避免内存溢出；- 列名（如
'x','y','z','vx','vy','vz'）应按实际物理意义命名，增强可读性。
该方法完全向量化，无需 Python 循环，处理数千行 × 十节点数据时速度显著优于逐行 split() + 手动切片。同时，逻辑清晰、参数集中（仅需配置 n_nodes），易于复用与扩展——无论是处理 5 节点的简化测试集，还是 100 节点的工业级网格数据，只需调整一个变量即可生效。
