如何将Pandas DataFrame转换为指定层级结构的嵌套JSON？

嘿，这个需求我做移动端后端接口的时候刚好实现过，6700行的DataFrame完全没问题，用Pandas的分组+自定义函数就能轻松搞定符合层级要求的嵌套JSON，我给你一步步拆解：

核心思路 #

我们要按「品牌→型号→年份→剩余数据」的层级嵌套，本质就是逐层分组，把每一层的分组结果转成字典，最后再整体转成JSON。

具体实现步骤 #

假设你的DataFrame列名包含品牌、型号、年份，剩下的40列是需要放在Level3的业务数据。

1. 导入依赖 #

import pandas as pd
import json

2. 定义层级转换函数 #

我们从最内层开始定义函数，逐步向外嵌套：

• 最内层：把每个年份对应的剩余列转成字典（如果同一年份有多条数据，改成列表即可）
• 中间层：把每个型号对应的所有年份数据转成字典
• 最外层：把每个品牌对应的所有型号数据转成字典

def year_to_detail(group):
    # 移除分组用的列，把剩余数据转成字典
    # 如果同一年份有多条数据，把to_dict('records')[0]改成to_dict('records')即可得到列表
    return group.drop(['品牌', '型号', '年份'], axis=1).to_dict('records')[0]

def model_to_years(group):
    # 按年份分组，调用内层函数转换，转成字典
    return group.groupby('年份').apply(year_to_detail).to_dict()

def brand_to_models(group):
    # 按型号分组，调用中间层函数转换，转成字典
    return group.groupby('型号').apply(model_to_years).to_dict()

3. 生成嵌套结构并转JSON #

假设你的DataFrame名为df，执行以下代码：

# 生成嵌套字典
nested_dict = df.groupby('品牌').apply(brand_to_models).to_dict()

# 转成JSON，ensure_ascii=False保留中文，indent=2让格式更美观（移动端解析不影响，只是方便调试）
json_result = json.dumps(nested_dict, ensure_ascii=False, indent=2)

示例效果 #

假设你的DataFrame有如下数据：

转换后的JSON会是：

{
  "苹果": {
    "iPhone14": {
      "2022": {
        "存储容量": "128G",
        "系统版本": "iOS16"
      },
      "2023": {
        "存储容量": "256G",
        "系统版本": "iOS17"
      }
    }
  },
  "华为": {
    "Mate50": {
      "2022": {
        "存储容量": "256G",
        "系统版本": "HarmonyOS3"
      }
    }
  }
}

注意事项 #

• 空值处理：如果品牌/型号/年份列有空值，分组会出错，建议先执行df = df.dropna(subset=['品牌', '型号', '年份'])清理数据
• 重复数据处理：如果同一个「品牌-型号-年份」组合有多条数据，把year_to_detail里的to_dict('records')[0]改成to_dict('records')，这样年份对应的就是一个数据列表
• 性能优化：6700行的数据用这种方法完全没问题，如果数据量更大，可以考虑用iterrows循环构建字典，效率会更高一些

内容的提问来源于stack exchange，提问作者Fatih Can