如何用Python将DataFrame中的JSON格式列转换为结构化DataFrame

情况1：Loan_Info列是字符串格式的JSON #

如果你的Loan_Info存的是JSON字符串（比如'{"amount":1000, "term":12}'这种），用下面的方法处理最快，万级数据毫无压力：

import pandas as pd
import json

# 假设你的原始DataFrame叫df
# 先批量把JSON字符串转成字典——列表推导式比apply快很多
df['Loan_Info'] = [json.loads(item) for item in df['Loan_Info']]

# 再用json_normalize展开JSON结构，和原Id列合并
expanded_df = pd.concat([df['Id'], pd.json_normalize(df['Loan_Info'])], axis=1)

情况2：Loan_Info列已经是字典类型 #

如果Loan_Info本身就是字典格式（不是字符串），直接跳过解析步骤，一步到位：

import pandas as pd

expanded_df = pd.concat([df['Id'], pd.json_normalize(df['Loan_Info'])], axis=1)

为什么适合大数据量？ #

• 列表推导式替代apply(json.loads)：避免了pandas逐行调用函数的开销，处理万级数据速度能快2-3倍。
• pd.json_normalize是pandas官方优化的矢量化工具，内部用C实现的逻辑，比手动循环拼接DataFrame效率高得多，完全能扛住十万甚至百万级数据。

示例验证 #

原始输入：

处理后输出：

内容的提问来源于stack exchange，提问作者Data-7scientist