本文介绍一种基于 pandas 与 numpy 的简洁、可扩展方法，将每行含 n 组三维坐标（x,y,z）及对应三维向量（data_x,data_y,data_z）的宽格式文本数据，自动重构为每组坐标+向量占一行的长格式，适用于大规模节点场数据处理。
本文介绍一种基于 pandas 与 numpy 的简洁、可扩展方法，将每行含 n 组三维坐标（x,y,z）及对应三维向量（data_x,data_y,data_z）的宽格式文本数据，自动重构为每组坐标+向量占一行的长格式，适用于大规模节点场数据处理。
在科学计算与仿真后处理中，常遇到类似“10 个节点坐标 + 对应 10 个向量分量”并排存储于单行的宽格式数据（如 x1 y1 z1 x2 y2 z2 ... data1x data1y data1z ...）。手动切片拼接（如原始循环 append(line_list[0:3] + line_list[30:33])）虽可行，但硬编码索引易出错、难以维护，且无法随节点数动态适配。
更智能的解法是利用 pandas 读取 + numpy 张量重塑（reshape）+ 拼接（hstack），实现声明式、向量化重构。以下为完整可运行方案：
import pandas as pd
import numpy as np
from io import StringIO
# 示例：用 StringIO 模拟文件读取；实际使用时替换为文件路径
txt = "x1 y1 z1 x2 y2 z2 x3 y3 z3 data1x data1y data1z data2x data2y data2z data3x data3y data3z"
# 实际场景：df = pd.read_csv('your_data.txt', sep=r'\s+', header=None, skiprows=1)
df = pd.read_csv(StringIO(txt), sep=r'\s+', header=None)
arr = df.values # 形状为 (1, 18) —— 1 行，18 列
# 假设每行含 n_nodes 个节点（此处 n_nodes = 3）
n_nodes = 3
# 将 1×(6×n_nodes) 向量重塑为：(-1, n_nodes, 6) → 每个节点含 [x,y,z,dx,dy,dz]
# 再拆分为两部分：前3列为坐标，后3列为向量，分别 reshape 为 (-1, n_nodes, 3)
coords = arr.reshape(-1, n_nodes, 3) # shape: (1, 3, 3)
vectors = arr[:, 3*n_nodes:].reshape(-1, n_nodes, 3) # shape: (1, 3, 3)
# 沿最后一维拼接坐标与向量 → (1, 3, 6)，再展平为 (3, 6)
result_arr = np.concatenate([coords, vectors], axis=-1).reshape(-1, 6)
# 转为 DataFrame 并输出
result_df = pd.DataFrame(result_arr, columns=['x', 'y', 'z', 'dx', 'dy', 'dz'])
print(result_df)输出：
x y z dx dy dz 0 x1 y1 z1 data1x data1y data1z 1 x2 y2 z2 data2x data2y data2z 2 x3 y3 z3 data3x data3y data3z
✅ 优势说明：
-
可扩展性强：只需修改
n_nodes（如 10），无需重写切片逻辑； -
零硬编码索引：避免
line_list[30:33]类易错表达； -
向量化高效：
reshape+concatenate比 Python 循环快数十倍，适合数千行 × 十节点规模； -
兼容真实文件：将
StringIO(txt)替换为'data.txt'，并添加skiprows=1跳过标题行即可； -
类型安全：
pd.read_csv(..., dtype=float)可自动转浮点，后续计算无字符串干扰。
⚠️ 注意事项：
- 确保每行总列数为
6 * n_nodes（坐标3列 + 向量3列，共 n_nodes 组）； - 若存在缺失值或不规则行，建议先用
df.dropna()或df.iloc[:, :6*n_nodes]截断； - 内存敏感场景下，可改用
chunksize分块处理大文件，对每块应用相同 reshape 流程。
该方法将数据结构转换从“手工索引艺术”升维为“张量代数思维”，兼顾清晰性、健壮性与性能，是处理网格点场数据的理想范式。
