将匹配条件的嵌套trait列表转换为pandas DataFrame

通过OpenSea API批量获取Azuki系列NFT的特征数据时，返回的trait_type_responses为嵌套列表结构：

• 第一层每个元素对应一个NFT资产的特征集合
• 第二层每个元素是单个特征的字典，包含trait_type、value、trait_count字段
  需要提取trait_type和value字段，生成固定列顺序的DataFrame，列包含Type、Background、Mouth、Eyes、Hair、Clothing、Offhand、Ear、Neck、Headgear、Face、Special，缺失特征填充空值。
  之前通过固定列表下标取值的方式，因为接口返回的特征顺序不固定、部分特征缺失，导致数据错位。

核心逻辑是放弃按下标取值的思路，先把每个NFT的特征列表转换成trait_type: value格式的字典，再批量生成DataFrame，pandas会自动匹配列名、对缺失字段填充空值，从根源上避免顺序和缺失导致的错位问题。

针对已获取的trait_type_responses的处理代码 #

import pandas as pd

# 预先定义需要保留的列及固定顺序
target_cols = [
    "Type", "Background", "Mouth", "Eyes", "Hair", 
    "Clothing", "Offhand", "Ear", "Neck", "Headgear", 
    "Face", "Special"
]

# 逐个转换每个NFT的特征为字典
row_list = []
for trait_list in trait_type_responses:
    # 字典推导式直接生成 特征名:特征值 的映射，和特征顺序无关
    trait_map = {item["trait_type"]: item["value"] for item in trait_list}
    row_list.append(trait_map)

# 生成DataFrame，指定列顺序，缺失列自动填充NaN（和None语义一致）
df = pd.DataFrame(row_list, columns=target_cols)

# 如果需要把空值从NaN替换为None，追加这行即可
df = df.where(pd.notnull(df), None)

优化版批量请求+转换代码（适配大数据量场景） #

实际批量拉取数据时需要加请求间隔、异常捕获，避免触发接口频率限制、因单条请求失败中断整个任务：

import requests
import pandas as pd
import time

trait_type_responses = []
# 替换为你自己的OpenSea API Key
headers = {"X-API-KEY": "your_real_api_key"}
target_cols = [
    "Type", "Background", "Mouth", "Eyes", "Hair", 
    "Clothing", "Offhand", "Ear", "Neck", "Headgear", 
    "Face", "Special"
]

# 按需要修改NFT id的遍历范围
for t_id in range(1, 10001):
    api_url = f"https://api.opensea.io/api/v1/asset/0xed5af388653567af2f388e6224dc7c4b3241c544/{t_id}/?account_address=0xed5af388653567af2f388e6224dc7c4b3241c544&include_orders=false"
    try:
        resp = requests.get(api_url, headers=headers, timeout=15)
        if resp.status_code == 200:
            traits = resp.json()["traits"]
            trait_type_responses.append(traits)
        else:
            # 请求状态码异常时存空列表，保证行号和t_id一一对应
            trait_type_responses.append([])
        # 控制请求频率，避免被接口拦截
        time.sleep(0.2)
    except Exception as e:
        print(f"获取NFT #{t_id} 失败，错误信息：{str(e)}")
        trait_type_responses.append([])
        continue

# 后续转换逻辑和之前一致
row_list = []
for trait_list in trait_type_responses:
    trait_map = {item["trait_type"]: item["value"] for item in trait_list}
    row_list.append(trait_map)
df = pd.DataFrame(row_list, columns=target_cols)

• 该方法完全不依赖接口返回的特征顺序，只要trait_type字段名正确，就能自动匹配到对应列，哪怕部分特征缺失也不会出现错位。
• 字典推导式+DataFrame原生生成的方式运行效率很高，哪怕处理上万条NFT数据也能秒级完成。
• 之前使用json_normalize未得到预期结果，是因为原始数据是两层嵌套列表结构，先把每个子列表展平为单层字典再转换，比直接套json_normalize逻辑更简单可控。

内容的提问来源于stack exchange，提问作者mimiskims