基于DataFrame两列构建不含空值子节点的树状字典方案咨询

嘿，这个需求很清晰，我来给你几个可行的实现方向，都是Python里常用的简洁方法：

首先要过滤掉子节点为空的条目（也就是示例中France那条Child为空字符串的数据），再将剩余的国家-城市对应关系转换成树状字典。这里的“树状”如果是指「国家作为父节点，对应下属城市的集合」，那有两种常用实现方式：

方法一：兼容多城市的通用方案（推荐） #

如果你的数据里可能存在一个国家对应多个城市的情况，用groupby来处理最稳妥，自动把同一国家的城市合并成列表：

import pandas as pd

# 原始数据
data = {'Parent':['Netherlands','Belgium','Germany','France'],'Child':['Amsterdam','Brussels','Berlin', '']}
df = pd.DataFrame(data)

# 1. 过滤空值：去掉Child为空字符串/纯空格的行，若有NaN可追加notna()判断
filtered_df = df[df['Child'].str.strip() != '']

# 2. 转换成树状字典：国家为键，对应城市列表为值
tree_dict = filtered_df.groupby('Parent')['Child'].apply(list).to_dict()

print(tree_dict)
# 输出结果：{'Belgium': ['Brussels'], 'Germany': ['Berlin'], 'Netherlands': ['Amsterdam']}

方法二：单城市场景的简洁方案 #

如果能确保每个国家只会对应一个城市，直接用dict(zip)就能快速生成字典：

# 过滤步骤同上
filtered_df = df[df['Child'].str.strip() != '']

# 直接生成键值对
tree_dict = dict(zip(filtered_df['Parent'], filtered_df['Child']))

print(tree_dict)
# 输出结果：{'Netherlands': 'Amsterdam', 'Belgium': 'Brussels', 'Germany': 'Berlin'}

进阶：更严格的树状层级结构 #

如果需要更标准的树状嵌套（比如父节点下明确标注子节点类型），可以用字典推导式构建：

filtered_df = df[df['Child'].str.strip() != '']

tree_dict = {
    row['Parent']: {'cities': [row['Child']]} 
    for _, row in filtered_df.iterrows()
}

print(tree_dict)
# 输出结果：
# {
#   'Netherlands': {'cities': ['Amsterdam']},
#   'Belgium': {'cities': ['Brussels']},
#   'Germany': {'cities': ['Berlin']}
# }

• 过滤空值时用str.strip()是为了处理那些只有空格的“伪空值”，如果你的数据里存在NaN类型的空值，可以把过滤条件改成：

  filtered_df = df[df['Child'].notna() & (df['Child'].str.strip() != '')]
  

• groupby方法的优势是自动处理多城市场景，比如如果荷兰新增了鹿特丹（Rotterdam），会自动把两个城市放进同一个列表里，无需额外修改代码。

内容的提问来源于stack exchange，提问作者Sef