如何展开DataFrame列中的嵌套JSON对象列表并与原表关联

针对你提供的示例数据（tax_info列是字符串格式的嵌套JSON列表），以下是几种实用的处理方法：

前提准备 #

首先需要将字符串格式的JSON列表转换为Python可识别的列表/字典对象，示例中字符串用单引号，适合用ast.literal_eval解析（比json.loads更适配这种非标准JSON格式）：

import pandas as pd
import ast

# 加载示例数据
data = {
 'tax_info': [
  '[]',
  "[{'price': '1.26', 'rate': 0.06, 'title': 'Idaho State Tax', 'price_set': {'shop_money': {'amount': '1.26', 'currency_code': 'USD'}, 'presentment_money': {'amount': '1.26', 'currency_code': 'USD'}}, 'channel_liable': False}]",
  "[{'price': '1.98', 'rate': 0.0625, 'title': 'Illinois State Tax', 'price_set': {'shop_money': {'amount': '1.98', 'currency_code': 'USD'}, 'presentment_money': {'amount': '1.98', 'currency_code': 'USD'}}, 'channel_liable': False}, {'price': '0.39', 'rate': 0.0125, 'title': 'Chicago City Tax', 'price_set': {'shop_money': {'amount': '0.39', 'currency_code': 'USD'}, 'presentment_money': {'amount': '0.39', 'currency_code': 'USD'}}, 'channel_liable': False}, {'price': '0.87', 'rate': 0.0275, 'title': 'Cook County Tax', 'price_set': {'shop_money': {'amount': '0.87', 'currency_code': 'USD'}, 'presentment_money': {'amount': '0.87', 'currency_code': 'USD'}}, 'channel_liable': False}]",
 ]
}

df = pd.DataFrame(data)
# 将字符串转为Python对象
df['tax_info'] = df['tax_info'].apply(ast.literal_eval)

方法1：explode + json_normalize（推荐） #

这是最简洁通用的方法，先展开列表，再将嵌套字典拆分为列，最后通过索引关联原数据：

# 展开列表，保留原索引（方便后续关联）
df_exploded = df.explode('tax_info', ignore_index=False)

# 将嵌套字典展开为列，并关联原数据（除tax_info外的其他列）
df_final = pd.json_normalize(df_exploded['tax_info'])\
               .set_index(df_exploded.index)\
               .join(df.drop('tax_info', axis=1))

# 查看结果
print(df_final.head())

说明： #

• explode('tax_info')将每行的列表元素拆分为单独行，原索引保留，确保能和原数据对应
• pd.json_normalize自动将嵌套字典（如price_set）展开为带层级的列名（比如price_set.shop_money.amount）
• set_index+join保证展开后的数据和原DataFrame的其他列正确关联

方法2：列表推导式手动拼接 #

适合需要自定义处理逻辑的场景，手动遍历每行数据并拼接：

# 初始化空列表存储结果
result_rows = []

for idx, row in df.iterrows():
    tax_list = row['tax_info']
    # 空列表则保留原行（可根据需求调整，比如跳过）
    if not tax_list:
        result_rows.append(row.to_dict())
        continue
    # 遍历每个tax对象，和原行数据合并
    for tax in tax_list:
        merged_row = row.to_dict()
        merged_row.update(tax)
        # 移除原tax_info列，换成展开后的字段
        del merged_row['tax_info']
        result_rows.append(merged_row)

# 转换为DataFrame
df_final = pd.DataFrame(result_rows)

说明： #

• 可以灵活处理空列表、过滤特定tax对象等自定义需求
• 适合数据量不大的场景，数据量较大时效率略低于方法1

方法3：apply结合pd.DataFrame #

通过apply将每行的tax列表转为小DataFrame，再合并到原数据：

# 将每行的tax列表转为DataFrame，并添加原索引
df_tax = df['tax_info'].apply(lambda x: pd.DataFrame(x)).reset_index()

# 合并原数据和展开后的tax数据
df_final = df_tax.merge(df, on='index').drop('tax_info', axis=1)

说明： #

• 逻辑直观，通过merge关联原索引
• 空列表会生成空的小DataFrame，合并后对应行的tax字段会为NaN，可根据需求用dropna或填充

注意事项 #

• 如果原DataFrame有其他列，所有方法都会保留这些列并和展开后的tax数据正确关联
• 空列表处理：explode后对应行的tax_info会变为NaN，可通过df_exploded.dropna(subset=['tax_info'])移除，或保留根据业务处理
• 嵌套层级更深的JSON：pd.json_normalize支持record_path和meta参数指定要展开的嵌套路径，可处理更复杂的结构

内容的提问来源于stack exchange，提问作者DevNo