pandas数据升维

### 使用 Pandas 进行数据升维

在处理多维度的数据集时，有时需要增加数据的维度以便更好地分析或可视化。虽然 `pandas` 主要用于二维表格数据的操作，但可以通过一些技巧来实现数据的升维。

#### 方法一：利用 MultiIndex 创建层次化索引
可以创建具有多个级别的索引来表示更高维度的数据结构：

import pandas as pd

arrays = [
    ['bar', 'bar', 'baz', 'baz', 'foo', 'foo', 'qux', 'qux'],
    ['one', 'two', 'one', 'two', 'one', 'two', 'one', 'two']
]

tuples = list(zip(*arrays))
index = pd.MultiIndex.from_tuples(tuples, names=['first', 'second'])
s = pd.Series(np.random.randn(8), index=index)

print(s)

这种方法适用于当存在自然分层关系的情况，比如时间序列中的日期和时间段组合[^1]。

#### 方法二：通过重塑 DataFrame 来构建三维或多维面板 (Panel Data)
尽管自版本 0.20.0 起官方不再推荐使用 Panel 对象，仍然可以在某些场景下借助于它来进行临时性的高维数据分析:

df = pd.DataFrame({
    "A": ["A0", "A1", "A2"],
    "B": ["B0", "B1", "B2"],
})

panel_data = {str(i): df for i in range(3)}
panel_df = pd.concat(panel_data.values(), keys=panel_data.keys())

print(panel_df)

不过更现代的做法是采用列表或其他容器保存多个DataFrame实例，并根据需求动态访问这些子集。

#### 方法三：结合 NumPy 的新轴功能 (`np.newaxis`)
虽然这是基于NumPy的功能，但在Pandas中也可以方便地运用此特性完成类似的任务。例如，在向现有列添加额外的一级标签时非常有用：

import numpy as np
import pandas as pd

data = {'col_1': [0, 1, 2], 'col_2': [3, 4, 5]}
df = pd.DataFrame(data=data)

# 添加新的维度
new_dim_df = df.iloc[:, :, np.newaxis]

print(new_dim_df.shape)  # 输出形状为 (3, 2, 1)，即增加了第三个维度

这里需要注意的是，直接在Pandas对象上应用`np.newaxis`可能会导致不直观的结果；通常建议先转换成NumPy数组再进行此类操作[^4]。