如何高效将嵌套字典列表转换为DataFrame单行？

核心思路 #

借助Pandas内置的结构化数据处理工具，直接展开嵌套字典列表，避免手动逐个提取字段的冗余操作，同时保证批量处理的效率。

实现步骤 #

1. 先明确API返回的典型数据结构 #

# 示例API返回数据（你的实际数据结构可对应调整）
sample_match = {
    "match_id": 123,
    "match_date": "2024-05-20",
    "teams": [
        {"side": "home", "stats": {"goals": 2, "shots": 10, "possession": 55}},
        {"side": "away", "stats": {"goals": 1, "shots": 8, "possession": 45}}
    ]
}

2. 轻量循环实现（适合新手理解） #

import pandas as pd

def flatten_single_match(match):
    # 提取非嵌套的基础字段
    base_data = {k: v for k, v in match.items() if k != "teams"}
    # 遍历主客场数据，给统计字段加前缀后合并
    for team in match["teams"]:
        side_prefix = team["side"]
        stats = {f"{side_prefix}_{stat}": val for stat, val in team["stats"].items()}
        base_data.update(stats)
    return base_data

# 批量处理250+场比赛
all_matches = [sample_match]  # 替换为你的API返回数据列表
final_df = pd.DataFrame([flatten_single_match(m) for m in all_matches])

3. 高效Pandas原生实现（适合大数据量） #

用json_normalize+透视表组合，减少Python循环开销：

import pandas as pd

# 直接展开嵌套的teams字段
normalized_df = pd.json_normalize(
    all_matches,
    record_path="teams",
    meta=["match_id", "match_date"],
    sep="_"
)

# 透视转宽表，单场比赛对应一行
wide_df = normalized_df.pivot(
    index=["match_id", "match_date"],
    columns="side",
    values=[col for col in normalized_df.columns if col not in ["match_id", "match_date", "side"]]
).reset_index()

# 清理列名，去除层级结构
wide_df.columns = ["_".join(col).strip("_") for col in wide_df.columns.values]

方案优势 #

• 无需硬编码统计字段，新增指标时无需修改代码
• 利用Pandas底层优化，比纯Python循环处理速度更快
• 代码结构简洁，符合Pythonic的可读性要求

内容的提问来源于stack exchange，提问作者Lavacave