如何将含嵌套字典的Pandas Series转DataFrame并动态更新主表列

1. 展开嵌套字典为结构化DataFrame #

首先把filter_significant返回的Series（以下称sig_series）中的嵌套字典拆分成Date、Value Type、Row Location三列：

import pandas as pd

# 假设sig_series是你得到的带嵌套字典的Series
sig_df = sig_series.apply(lambda item: pd.Series({
    'Value Type': next(iter(item.keys())),
    'Row Location': next(iter(item.values()))
}))
# 将原索引转为Date列
sig_df = sig_df.reset_index().rename(columns={'index': 'Date'})

处理后sig_df的结构如下：

2. 在主DataFrame中生成significant列 #

方法1：基于整数位置标记（适用于非连续时间索引） #

如果主DataFrame（main_df）的时间索引存在缺失，用整数位置计算更准确：

# 初始化significant列为0
main_df['significant'] = 0

# 遍历有效标记行（排除Row Location=0的情况）
for _, row in sig_df[sig_df['Row Location'] > 0].iterrows():
    # 获取当前日期在主DataFrame中的整数位置
    current_idx = main_df.index.get_loc(row['Date'])
    # 计算目标位置：往前X行，避免索引越界
    target_idx = current_idx - row['Row Location']
    if target_idx >= 0:
        main_df.iloc[target_idx, main_df.columns.get_loc('significant')] = 1

方法2：基于时间差标记（适用于连续每日索引） #

如果主DataFrame的索引是连续的每日日期，可以用时间差直接计算目标日期，效率更高：

# 初始化significant列为0
main_df['significant'] = 0

# 筛选需要处理的行，计算目标日期
valid_marks = sig_df[sig_df['Row Location'] > 0].copy()
valid_marks['target_date'] = valid_marks['Date'] - pd.to_timedelta(valid_marks['Row Location'], unit='D')

# 批量设置目标日期对应的significant值为1
main_df.loc[main_df.index.isin(valid_marks['target_date']), 'significant'] = 1

验证示例 #

以你提供的数据为例：

• 2022-09-26对应的Row Location=3，会将主DataFrame中2022-09-23（若存在）的significant设为1
• 2022-09-29对应的Row Location=1，会将主DataFrame中2022-09-28的significant设为1

内容的提问来源于stack exchange，提问作者jacoby