Python实现字典列拆分并保留关联列（UniProtKB数据处理）

我从UniProtKB解析得到一组蛋白数据，以DataFrame形式存储，包含primaryAccession（蛋白编号）和uniProtKBCrossReferences列，其中uniProtKBCrossReferences列存储由多个字典组成的集合。

原始数据格式 #

期望转换结果 #

我使用如下dict_list_to_df函数拆分uniProtKBCrossReferences列，但该函数会丢失primaryAccession列，无法对应蛋白编号。请问如何在拆分该字典列的同时，保留primaryAccession列？

def dict_list_to_df(df, col):
    """Return a Pandas dataframe based on a column that contains a list of JSON objects or dictionaries.
    Args:
        df (Pandas dataframe): The dataframe to be flattened.
        col (str): The name of the column that contains the JSON objects or dictionaries.
    Returns:
        Pandas dataframe: A new dataframe with the JSON objects or dictionaries expanded into columns.
    """

    rows = []
    for index, row in df[col].items():
        for item in row:
            rows.append(item)
    df = pd.DataFrame(rows)
    return df

方法一：修改自定义函数 #

在遍历每一行时，将当前行的primaryAccession值添加到每个字典中，确保展开后能保留对应关系：

import pandas as pd

def dict_list_to_df(df, col, id_col):
    """拆分包含字典集合的列，同时保留指定的关联列"""
    rows = []
    for _, row in df.iterrows():
        # 获取当前蛋白编号
        primary_id = row[id_col]
        # 遍历字典集合中的每个条目
        for item in row[col]:
            # 复制字典并添加蛋白编号
            item_with_id = item.copy()
            item_with_id[id_col] = primary_id
            rows.append(item_with_id)
    # 按指定顺序整理列
    return pd.DataFrame(rows)[[id_col, 'database', 'id', 'properties']]

使用示例

假设你的原始DataFrame名为protein_df，调用方式如下：

result_df = dict_list_to_df(protein_df, 'uniProtKBCrossReferences', 'primaryAccession')
print(result_df)

方法二：使用Pandas原生函数（推荐） #

利用explode拆分字典集合为单独行，再通过json_normalize展开字典列，最后关联primaryAccession列，代码更简洁高效：

import pandas as pd

# 若原列是集合类型，先转换为列表（explode支持列表/Series类型）
protein_df['uniProtKBCrossReferences'] = protein_df['uniProtKBCrossReferences'].apply(list)

# 拆分每个字典为单独行
exploded_df = protein_df.explode('uniProtKBCrossReferences', ignore_index=True)

# 展开字典列为独立列，并关联蛋白编号
result_df = pd.json_normalize(exploded_df['uniProtKBCrossReferences']).assign(
    primaryAccession=exploded_df['primaryAccession']
)[['primaryAccession', 'database', 'id', 'properties']]

内容的提问来源于stack exchange，提问作者Ana Maono