如何展开内嵌树结构的DataFrame 完成依赖列数值化

现有一个存储层级依赖关系的DataFrame df1，结构为类别、类型、依赖类别三列，样例数据如下：

Category  Type    Dependent-Category
 0    1         ~       A
 1    1         ~       B
 2    1         ~       C
 3    1         ~       14
 4    1         ~       D
 5    1         P       NaN       
 6    A         ~       C
 7    A         ~       D
 8    A         ~       3
 9    A         P       NaN
10   B         ~       D
11   B         ~       C
12   B         ~       12
13   B         P       NaN
14   C         ~       D
15   C         ~       9
16   C         P       NaN
17   D         ~       12
18   D         ~       3
19   D         ~       8
20   D         P       NaN

其中字母类别的依赖存在嵌套：

• D类的依赖全为数值，无嵌套
• C类依赖D类和数值9
• B类依赖C、D类和数值12
• A类依赖C、D类和数值3
• 顶层类1依赖A、B、C、D类和数值14

需求是递归展开所有嵌套的类别依赖：如果某行的Dependent-Category是字母类别，就将该行替换为对应类别的所有依赖行，直到最终结果的Dependent-Category列仅包含数值和NaN。

核心思路是先构建类别到自身依赖行的映射，再递归展开每个非数值依赖，加遍历标记避免循环依赖导致死循环：

import pandas as pd
import numpy as np

# 构建类别和对应行的映射
cat_row_map = {cat: grp.to_dict("records") for cat, grp in df1.groupby("Category")}

def expand(target_cat, seen=None):
    if seen is None:
        seen = set()
    # 防止循环依赖重复遍历
    if target_cat in seen:
        return []
    seen.add(target_cat)
    
    result = []
    for row in cat_row_map[target_cat]:
        dep_val = row["Dependent-Category"]
        # 依赖是数值或空值直接保留
        if pd.isna(dep_val) or str(dep_val).isdigit():
            result.append(row.copy())
        # 依赖是嵌套类别则递归展开
        else:
            sub_rows = expand(dep_val, seen.copy())
            # 展开后的行归属到当前上层类别
            for r in sub_rows:
                r["Category"] = target_cat
            result.extend(sub_rows)
    return result

# 示例：展开顶层类别1，需要展开其他类别直接替换参数即可
expanded_data = expand("1")
final_df = pd.DataFrame(expanded_data).drop_duplicates().reset_index(drop=True)

执行后得到的final_df即为完全展开的结果，所有字母类别依赖都会被替换为底层的数值依赖，同时自动去重重复的依赖条目。如果需要展开多个顶层类别，循环调用expand函数后合并结果即可。

内容的提问来源于stack exchange，提问作者user11555536