如何拆分Pandas DataFrame中两个长度可变的嵌套列

针对你遇到的问题，核心是规避同时explode多列导致的笛卡尔积重复，正确思路是分别处理payments和ledger_account_bookings两列，生成两个独立的子DataFrame后再合并，确保每条支付记录、分类账记录各自占一行。

步骤说明&代码实现 #

假设你的原始DataFrame名为df_financial_mutations，包含transaction_id、total_amount、date、payments、ledger_account_bookings字段：

1. 处理payments列

import pandas as pd
from pandas import json_normalize

# 提取基础字段 + payments列
df_payments = df_financial_mutations[['transaction_id', 'total_amount', 'date', 'payments']].copy()
# 拆分payments列表为单独行，空列表转为NaN后后续过滤
df_payments = df_payments.explode('payments', ignore_index=True)
# 过滤无支付记录的行
df_payments = df_payments.dropna(subset=['payments'])
# 展开字典为独立列并添加前缀
df_payments_normalized = json_normalize(df_payments['payments']).add_prefix('payments_')
# 合并基础字段与展开后的支付字段
df_payments_final = pd.concat([df_payments.drop('payments', axis=1), df_payments_normalized], axis=1)

2. 处理ledger_account_bookings列

# 提取基础字段 + ledger_account_bookings列
df_ledger = df_financial_mutations[['transaction_id', 'total_amount', 'date', 'ledger_account_bookings']].copy()
# 拆分分类账列表为单独行
df_ledger = df_ledger.explode('ledger_account_bookings', ignore_index=True)
# 过滤无分类账记录的行
df_ledger = df_ledger.dropna(subset=['ledger_account_bookings'])
# 展开字典并添加前缀
df_ledger_normalized = json_normalize(df_ledger['ledger_account_bookings']).add_prefix('ledger_')
# 合并基础字段与展开后的分类账字段
df_ledger_final = pd.concat([df_ledger.drop('ledger_account_bookings', axis=1), df_ledger_normalized], axis=1)

3. 合并两个结果DataFrame

# 合并后自动对齐列，无对应数据的字段填充NaN
df_final = pd.concat([df_payments_final, df_ledger_final], ignore_index=True)
# 可选：按交易ID排序，让同交易的记录集中展示
df_final = df_final.sort_values('transaction_id').reset_index(drop=True)

效果说明 #

• 每条支付记录、分类账记录各自独立成行，不会产生交叉重复的无效数据
• 原交易的基础字段（transaction_id、total_amount、date）会保留在每一行
• 支付相关字段在分类账行中为NaN，分类账字段在支付行中为NaN，完全匹配需求

内容的提问来源于stack exchange，提问作者Psychotechnopath