如果我有一个数据框显示为：
x y z t1 t2 t3 t4 t5 ...
c1 1 2 3 15 98 36 45 24
c2 2 ...
c3 3 ...
c4 4 ...
c5 5 ...
c6 6 ...
.
.
.
本质上，每行是不同的坐标，每列是时间序列中的一个点，并且每个条目（c_i，t_j）都是某种度量。我想要做的是将其放入一种4D张量（我希望这是正确的术语），其中尺寸为（x，y，z，t），因此每个条目都是一个3D numpy ndarray，每个术语作为相应的（c，t）度量。
这是我目前拥有的：
tensor = []
for i in range(len(list(df.columns)) - 3):
tensor.append(np.zeros((max_x - min_x + 1, max_y - min_y + 1, max_z - min_z + 1)))
for j in range(len(df["x"])):
tensor[i][df["x"][j] - min_x][df["y"][j] - min_y][df["z"][j] - min_z] = df.iloc[:, i + 3][j]
然后，我可以简单地将张量转换为所需的必需对象。目前，我的数据集为93164 x 13455，所以我估计这大约需要32个小时。如果这是最好的方法，那么我将等待处理，但是我很想知道是否有人可以提出更快的方法。
最佳答案
因此，如果我正确地理解了您，而不是像这样：
x1 y1 z1 t1 t2 t3
你想要这样的东西吗？
x1 y1 z1 t1
x1 y1 z1 t2
x1 y1 z1 t3
我认为有多种方法可以做到这一点，但是这里有一种使用Pandas中的melt功能的方法。假设您有一个数据框（如下面的数据框），并且需要将t2中的变量移动到t1，或者换句话说，您想要合并t1和t2。
df = pd.DataFrame([[1,2,3,4],[5,6,7,8],[9,10,11,12],[13,14,15,16],[17,18,19,20]], columns=['x','y','t1','t2'])
x y t1 t2
0 1 2 3 4
1 5 6 7 8
2 9 10 11 12
3 13 14 15 16
4 17 18 19 20
要执行我认为您想要的操作，可以执行以下操作
f_df = df.melt(id_vars=['x','y'], value_vars = ['t1','t2'], value_name='t').drop('variable', axis=1).sort_values('x')
现在使用f_df：
x y t
0 1 2 3
5 1 2 4
1 5 6 7
6 5 6 8
2 9 10 11
7 9 10 12
3 13 14 15
8 13 14 16
4 17 18 19
9 17 18 20
从这里，您可以简单地将其转换为一个numpy数组