如何从DataFrame的字典类型列中提取每行指定键的对应值

你的Data列每行存储结构一致的字典，要提取所有行address1键对应的值，有3种常用实现，不需要手写低效的逐行遍历：

• 方法1：str访问器直接取值（最简洁，优先用）
  Pandas针对序列中存储的字典/列表类元素，提供了.str索引访问语法，一行代码就能完成提取：

  # 提取address1字段，返回与原表索引对齐的Series
  df['address1'] = df['Data'].str['address1']
  

  如果列中存在空值、非字典类型的异常数据，可以链式调用.fillna('')填充空值。

• 方法2：apply映射取值（兼容性、容错性最高）
  如果使用的Pandas版本较旧，或是列中存在脏数据，可以用apply自定义取值逻辑，避免报错：

  # 逐行判断取值，遇到非字典/无对应键的情况返回空字符串
  df['address1'] = df['Data'].apply(
      lambda row: row.get('address1', '') if isinstance(row, dict) else ''
  )
  

• 方法3：字典列全量展开（适合需要提取多个字段的场景）
  如果后续还要提取city、zip_code、state等同字典内的其他字段，直接将整个字典列拆分为独立列效率更高：

  # 将字典列展开为普通字段表
  data_cols = pd.json_normalize(df['Data'])
  # 拼接回原表，删除原字典列
  df = pd.concat([df.drop(columns=['Data']), data_cols], axis=1)
  

  处理完成后直接访问df['address1']即可拿到目标值，其余字典内的字段也会自动生成对应列。

注意：不推荐使用iterrows()、itertuples()手写逐行循环的方式实现，这类写法运行效率远低于上述方法，数据量较大时性能差距会非常明显。

内容的提问来源于stack exchange，提问作者coding2