如何用Python将Pandas DataFrame转换为嵌套字典列表？

核心思路 #

利用Pandas内置的apply（按行生成嵌套字典）和to_dict('records')（将DataFrame转为字典列表）方法，避免手动遍历行，实现高效且简洁的格式转换。

示例实现 #

假设你的DataFrame结构如下：

import pandas as pd

# 示例数据
df = pd.DataFrame({
    'Name': ['Alice', 'Bob'],
    'Age': [30, 25],
    'Street': ['123 Main St', '456 Oak Ave'],
    'City': ['New York', 'Los Angeles'],
    'Postcode': ['10001', '90001']
})

步骤1：生成嵌套的Address字段

通过assign方法新增Address列，将指定的地址列按行转为字典：

# 整合地址列为嵌套字典
df_processed = df.assign(
    Address=df[['Street', 'City', 'Postcode']].apply(dict, axis=1)
).drop(columns=['Street', 'City', 'Postcode'])  # 删除原地址列

步骤2：转为目标字典列表

用to_dict('records')将处理后的DataFrame直接转为字典列表：

result = df_processed.to_dict('records')

最终输出的result格式如下：

[
    {'Name': 'Alice', 'Age': 30, 'Address': {'Street': '123 Main St', 'City': 'New York', 'Postcode': '10001'}},
    {'Name': 'Bob', 'Age': 25, 'Address': {'Street': '456 Oak Ave', 'City': 'Los Angeles', 'Postcode': '90001'}}
]

扩展：多组嵌套字段处理 #

如果需要生成多个嵌套字典（比如同时整合联系信息），只需重复assign逻辑即可：

# 带联系信息的示例数据
df = pd.DataFrame({
    'Name': ['Alice', 'Bob'],
    'Age': [30, 25],
    'Street': ['123 Main St', '456 Oak Ave'],
    'City': ['New York', 'Los Angeles'],
    'Postcode': ['10001', '90001'],
    'Phone': ['555-1234', '555-5678'],
    'Email': ['alice@example.com', 'bob@example.com']
})

# 生成多个嵌套字段
df_multi_nested = df.assign(
    Address=df[['Street', 'City', 'Postcode']].apply(dict, axis=1),
    Contact=df[['Phone', 'Email']].apply(dict, axis=1)
).drop(columns=['Street', 'City', 'Postcode', 'Phone', 'Email'])

result_multi = df_multi_nested.to_dict('records')

为什么不用遍历行？ #

Pandas的内置方法基于向量化操作，底层用C实现，比Python层面的for循环遍历行效率高得多，尤其是处理大规模数据集时优势明显，同时代码更简洁易维护。

内容的提问来源于stack exchange，提问作者Empusas