如何高效创建含缺失值的Pandas DataFrame？

问题背景 #

现有如下字典形式的数据：

dict1 = {'A': 0, 'C': 0, 'D': 0, 'E': 0, 'F': 0, 'G': 0}
dict2 = {'A': 0, 'B': 0, 'C': 0, 'D': 0, 'E': 0, 'F': 0}

需要将其转换为包含缺失值（显示为na）的Pandas DataFrame，目标格式如下：

A    B  C  D  E  F    G
1  0  na  0  0  0  0    0
2  0    0  0  0  0  0  na

当前手动构造元组的方法需要硬编码所有值和列名，扩展性差，以下是更高效的实现方案：

优化实现代码 #

import pandas as pd

# 定义原始字典列表
data = [
    {'A': 0, 'C': 0, 'D': 0, 'E': 0, 'F': 0, 'G': 0},
    {'A': 0, 'B': 0, 'C': 0, 'D': 0, 'E': 0, 'F': 0}
]

# 直接将字典列表转为DataFrame，Pandas自动补全缺失列，缺失值默认是NaN
df = pd.DataFrame(data)

# 将NaN替换为指定的'na'，并设置行索引为1、2
df = df.fillna('na').set_index(pd.Index([1, 2]))

print(df)

方案优势 #

• 无需手动构造元组：直接利用字典列表作为输入，Pandas自动识别所有列并补全缺失值，避免硬编码出错
• 扩展性强：新增字典或列时，无需修改代码，自动适配
• 逻辑清晰：步骤简洁，符合Pandas的原生用法，可读性更高

内容的提问来源于stack exchange，提问作者Atom