如何在Pandas中将指定DataFrame转换为嵌套字典结构

这问题我之前处理类似数据时也遇到过，其实通过拆分参数名+分组转换就能轻松实现，下面是具体的步骤和代码：

首先，先把你提供的DataFrame构建出来（方便复现）：

import pandas as pd

data = [
    ["teachers", 49],
    ["students", 289],
    ["R", 3.7],
    ["holidays", 165],
    ["OS", 18],
    ["Em_from", "2020-02-29T20:00:00.000Z"],
    ["Em_to", "2020-03-20T20:00:00.000Z"],
    ["Em_F", 3],
    ["Em_C", 2],
    ["sC_from", "2020-03-31T20:00:00.000Z"],
    ["sC_to", "2020-05-29T20:00:00.000Z"],
    ["sC_F", 25],
    ["sC_C", 31]
]

df = pd.DataFrame(data, columns=["Params", "Value"])

接下来是核心处理逻辑：

1. 拆分Params列，把带下划线的参数拆分为主分组名（比如Em、sC）和子键名（比如from、to）；没有下划线的参数单独归类
2. 分别处理两类数据：无分组的直接转成键值对，有分组的按分组名聚合为子字典
3. 合并所有结果得到目标嵌套字典

具体代码实现：

# 拆分参数列，最多拆分1次，避免多下划线的情况
split_params = df["Params"].str.split("_", n=1, expand=True)
df[["group", "sub_key"]] = split_params

# 处理没有分组的参数（sub_key为空的行）
flat_dict = df[df["sub_key"].isna()].set_index("Params")["Value"].to_dict()

# 处理有分组的参数，按group分组后转成子字典
nested_dicts = df[df["sub_key"].notna()].groupby("group").apply(
    lambda x: x.set_index("sub_key")["Value"].to_dict()
).to_dict()

# 合并两个字典得到最终结果
final_dict = {**flat_dict, **nested_dicts}
print(final_dict)

运行这段代码后，输出的结果就是你想要的嵌套字典：

{'teachers': 49, 'students': 289, 'R': 3.7, 'holidays': 165, 'OS': 18, 'Em': {'from': '2020-02-29T20:00:00.000Z', 'to': '2020-03-20T20:00:00.000Z', 'F': 3, 'C': 2}, 'sC': {'from': '2020-03-31T20:00:00.000Z', 'to': '2020-05-29T20:00:00.000Z', 'F': 25, 'C': 31}}

这里有几个细节需要注意：

• 使用str.split("_", n=1)是为了确保只拆分第一个下划线，避免像如果有Em_F_xxx这种多下划线参数时出错
• 用groupby.apply来聚合每个分组的子键值对，逻辑清晰且高效

内容的提问来源于stack exchange，提问作者Danish