如何将含嵌套字典列表的结构化列表转换为DataFrame

假设你的原始数据结构类似这样：

data = [
    {
        "Table Name": "users",
        "Permissions": [
            {"User": "admin", "Access": "read_write"},
            {"User": "guest", "Access": "read_only"}
        ]
    },
    {
        "Table Name": "orders",
        "Permissions": [
            {"User": "admin", "Access": "full_access"},
            {"User": "analyst", "Access": "read_only"}
        ]
    }
]

直接用pd.json_normalize(data)会把Permissions保留为字典列表，无法实现每个Table Name对应一条权限记录的需求。这里提供两种可行方案：

方法1：手动遍历展开数据 #

遍历原始列表，将每个表名与对应的权限字典逐一合并，生成扁平化列表后再转换为DataFrame：

import pandas as pd

flattened_data = []
for item in data:
    table_name = item["Table Name"]
    for perm in item["Permissions"]:
        flattened_data.append({"Table Name": table_name, **perm})

df = pd.DataFrame(flattened_data)

输出的DataFrame结构如下：

方法2：用pandas的explode+json_normalize组合 #

先拆分Permissions列表为多行，再将权限字典展开为独立列：

import pandas as pd

# 先转换为临时DataFrame，此时Permissions为列表列
df_temp = pd.DataFrame(data)
# 展开Permissions列表，生成多行记录
df_exploded = df_temp.explode("Permissions", ignore_index=True)
# 合并表名列与展开后的权限列
df = pd.concat([df_exploded["Table Name"], pd.json_normalize(df_exploded["Permissions"])], axis=1)

该方法利用pandas内置方法实现，适合处理大规模数据，效率更高，最终结果与方法1完全一致。

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