如何将DataFrame中的JSON格式列转换为Pandas列？

问题背景 #

现有如下Pandas DataFrame（仅持有df_sample，无原始字典d）：

import pandas as pd

df_sample = pd.DataFrame(
    data={'parameters': [
        {'Year': '2018',
         'Median Age': 'nan',
         'Total Non-Family Household Income': 289.0,
         'Total Household Income': 719.0,
         'Gini Index of Income Inequality': 0.4121}
    ]}
)

需要将parameters列中的字典内容拆分为独立列，替代原有的非Pythonic实现。

更Pythonic的实现方案 #

方案1：使用pd.json_normalize（推荐） #

json_normalize是Pandas专门为嵌套字典/JSON结构设计的工具，直接处理列中的字典序列，代码简洁高效：

# 提取parameters列的字典数据，生成扩展后的DataFrame
expanded_df = pd.json_normalize(df_sample['parameters'])
# 合并原DataFrame（删除原parameters列）与扩展结果
result_df = df_sample.drop('parameters', axis=1).join(expanded_df)

方案2：使用Series.apply(pd.Series) #

如果数据无多层嵌套结构，也可以直接将列中的字典转为Series，自动拆分为多列：

# 将parameters列的字典批量转为多列
expanded_df = df_sample['parameters'].apply(pd.Series)
# 合并并清理原列
result_df = df_sample.drop('parameters', axis=1).join(expanded_df)

为什么比原实现更优 #

• 无需依赖json库做来回序列化/反序列化操作，减少冗余步骤
• 代码逻辑更直观，完全贴合Pandas原生API设计习惯
• 处理大规模数据时性能更优，原生Pandas方法比手动循环+JSON转换效率更高

内容的提问来源于stack exchange，提问作者justanewb