将任意深度嵌套字典树转换为Pandas DataFrame

需要将一个包含子节点列表的嵌套字典（节点深度和数量不均）转换为层级式的Pandas DataFrame，列数根据字典的最大深度自动生成。

示例字典 #

example_dict = {
    "id": 0,
    "children": [
        {"id":4},
        {"id": 1, "children":[{"id":2}, {"id":6}, {"id":7}, {"id":8}]},
        {"id": 3, "children":[{"id":5}]},
        {"id": 9, "children":[
            {"id":10},
            {"id": 11, "children":[{"id":12}, {"id":13}, {"id":14}, {"id":15}]}
        ]},
        {"id": 16, "children":[
            {"id":17}, {"id":18}, {"id":19}, {"id":20},
            {"id": 21, "children":[
                {"id":22},
                {"id": 23, "children":[{"id":24}]}
            ]}
        ]}
    ]
}

目标DataFrame结构 #

核心思路是递归遍历嵌套字典的每个节点，记录每一条从根到叶子的路径，最后将所有路径整理成DataFrame，自动补全缺失的层级为NaN。

实现代码 #

import pandas as pd

def traverse_tree(node, current_path, paths):
    # 将当前节点的id加入路径
    current_path.append(node["id"])
    # 如果当前节点没有子节点，保存这条路径
    if "children" not in node or not node["children"]:
        paths.append(current_path.copy())
    else:
        # 递归遍历每个子节点
        for child in node["children"]:
            traverse_tree(child, current_path, paths)
    # 回溯，移除当前节点id，处理兄弟节点
    current_path.pop()

def dict_to_df(tree_dict):
    paths = []
    # 从根节点开始遍历
    traverse_tree(tree_dict, [], paths)
    # 找到最长路径的长度，确定列数
    max_depth = max(len(path) for path in paths)
    # 生成列名
    columns = [f"Level {i+1}" for i in range(max_depth)]
    # 将路径转换为DataFrame，缺失值补NaN
    df = pd.DataFrame(paths, columns=columns)
    return df

# 测试转换
df = dict_to_df(example_dict)
print(df)

代码说明 #

• traverse_tree函数：递归遍历每个节点，维护当前路径，遇到叶子节点（无children或children为空）时保存路径，遍历完子节点后回溯路径，确保兄弟节点的路径正确。
• dict_to_df函数：初始化路径列表，调用遍历函数收集所有路径，根据最长路径生成对应层级的列名，最后将路径列表转为DataFrame，自动填充缺失层级为NaN。
• 该方案支持任意深度的嵌套字典，列数会根据实际最大层级自动生成，适配600+节点的大规模数据。

内容的提问来源于stack exchange，提问作者A2er