Python pandas如何将存储字典的字符串列拆分为多个独立列

示例数据 #

输入数据结构：

import pandas as pd
df = pd.DataFrame({'column1':["{'A':2,'B':3,'c':2}", "{'A': 3, 'B': 5, 'c': 10}"]})
print(df)

输入打印结果：

column1
0  {'A': 2, 'B': 3, 'c': 2}
1  {'A': 3, 'B': 5, 'c': 10}

期望输出：将字典的键拆为独立列，对应值按行匹配

A  B   c
0  2  3   2
1  3  5  10

参考方案中*的作用 #

你找到的参考代码：

pd.DataFrame([*df['column1'].apply(eval)])

代码执行逻辑拆解：

1. df['column1'].apply(eval)：逐行把列内的字符串格式字典，通过eval转换为Python原生字典对象，返回值是元素为字典的pandas Series。
2. *是Python的可迭代对象解包运算符，作用是把Series这个可迭代对象里的每个字典元素逐个展开，外层的[]会把展开的所有字典收集为一个列表。比如Series里存了d1、d2两个字典，[*series]等价于[d1, d2]。
3. 最后传入字典列表给pd.DataFrame()时，pandas会自动将字典的公共键作为列名，逐行填充对应值，得到目标结果。

注意：eval会直接执行传入的字符串内容，如果你的CSV文件来源不可信，存在执行恶意代码的风险，不推荐生产环境使用。

更优实现方案 #

方案1：官方专用方法（性能最优、最安全） #

使用pandas内置的json_normalize方法处理字典/JSON结构扩列，搭配ast.literal_eval做安全的字符串转字典操作（仅解析Python字面量，不会执行任意代码）：

import ast
import pandas as pd

# 字符串列先安全转为字典，再自动拆分为列
result = pd.json_normalize(df['column1'].apply(ast.literal_eval))

如果你的列内本身已经存储的是字典对象而非字符串，可以直接省略apply步骤：

result = pd.json_normalize(df['column1'])

这个方案在数据量越大时性能优势越明显，比参考方案速度快2~5倍，是官方推荐的写法。

方案2：可读性优先写法 #

通过两次apply实现，逻辑直观不需要理解解包语法，适合小数据量场景：

import ast
result = df['column1'].apply(ast.literal_eval).apply(pd.Series)

内容的提问来源于stack exchange，提问作者waqar ali