嵌套不规则API字典数据转pandas DataFrame的实现问题

提供两种符合要求的实现，都基于pandas原生方法，不需要复杂的嵌套循环，可自动处理字段不统一、缺失的问题。

方案B：每条释义占一行（更适合后续语源统计，优先推荐） #

生成的DataFrame中每个释义对应一行，比如单词tart会生成3行数据，后续统计语源时直接按列分组即可，非常方便。
完整代码如下：

import requests
import pandas as pd

wordlist = ['illicitly', 'tray', 'tali', 'tart', 'itty']
raw_entries = []

for word in wordlist:
    resp = requests.get(f"https://api.dictionaryapi.dev/api/v2/entries/en/{word}")
    if resp.status_code == 200:
        # 给每个词条标注所属单词，后续合并不会混乱
        for entry in resp.json():
            entry['word'] = word
            entry['response'] = 'Found'
            raw_entries.append(entry)
    else:
        raw_entries.append({'word': word, 'response': 'Not found'})

# 自动展开嵌套JSON，缺失字段自动填充NaN
df = pd.json_normalize(raw_entries)
# 处理词源字段默认值，无需自己判断键是否存在
df['origin'] = df['origin'].fillna('No origin found')

# 可选：提取首个释义文本到单独列
df['definition'] = df['meanings'].map(
    lambda x: x[0]['definitions'][0]['definition'] if isinstance(x, list) else ''
)

如果需要更细的释义维度（比如不同词性的释义），只需要对meanings列再做一次json_normalize展开即可。

方案A：每个单词占一行 #

生成的DataFrame中每个单词对应一行，自动生成definition 1、word origin 1这类多列存储多条数据，代码如下：

# 先执行方案B的代码得到df，再做如下聚合转换
df_a = df.groupby('word').agg(
    response=('response', 'first'),
    total_entries=('word', 'count'),
    origin_list=('origin', list),
    definition_list=('definition', list)
).reset_index()

# 把列表拆分为独立列
df_a = df_a.join(
    pd.DataFrame(df_a['origin_list'].tolist(), index=df_a.index).add_prefix('word origin ')
)
df_a = df_a.join(
    pd.DataFrame(df_a['definition_list'].tolist(), index=df_a.index).add_prefix('definition ')
)

# 删除中间临时列
df_a = df_a.drop(columns=['origin_list', 'definition_list'])

语源统计示例 #

用方案B的结果统计不同语源的单词数量，只需一行代码：

origin_count = df['origin'].value_counts()

内容的提问来源于stack exchange，提问作者user3710004