如何通过向量化操作在DataFrame列的每行存储字典？

完全可以实现，而且能借助pandas的高效操作避免低效循环，以下是具体方案：

1. 构造示例DataFrame #

先还原你的原始数据：

import pandas as pd

df = pd.DataFrame({
    'x': [1, 4, 7],
    'y': [2, 5, 8],
    'z': [3, 6, 9]
})

2. 转换为字典列（两种高效方式） #

这两种方法都能直接生成Python字典类型的列，而非字符串：

• 方法1：使用apply简洁实现
  利用Series.apply对z列的每个值直接构造字典，pandas会自动处理向量化操作：

  df['z'] = df['z'].apply(lambda x: {'z': x})
  

• 方法2：列表推导式构造Series
  性能和apply相近，适合更复杂的字典构造场景：

  df['z'] = pd.Series([{'z': val} for val in df['z']])
  

3. 验证结果 #

执行后查看DataFrame，会得到你期望的嵌套字典格式：

x  y          z
0  1  2  {'z': 3}
1  4  5  {'z': 6}
2  7  8  {'z': 9}

你可以通过type(df['z'].iloc[0])验证元素类型，输出会是<class 'dict'>，而非字符串。

为什么字符串拼接不行？ #

你之前用字符串拼接得到的是字符串类型（比如"{'z':3}"），pandas会把它当成普通文本存储，后续导出或使用时自然会带引号；而上面的方法直接生成Python字典对象，属于pandas支持的object类型列，能正确保留字典结构。

内容的提问来源于stack exchange，提问作者frequent user