如何简洁向列表值字典追加数据以适配DataFrame及JSON存储需求？

两种优化方案均完全兼容你提出的两个核心需求：无需额外适配即可直接转DataFrame、直接导出JSON。

方案1：轻量化辅助函数（零侵入适配现有代码） #

仅需新增一个全局通用辅助函数，不需要修改原有数据结构，就能把多行append简化为单行调用，是性价比最高的改造方案：

from typing import Dict

def append_row(result_dict: Dict, row_data: Dict):
    """ 批量给对应键的列表追加值，自动匹配已有键名 """
    for key, value in row_data.items():
        result_dict[key].append(value)

调用时只需要传入单行的键值对即可，不管有多少个字段都只需要写一次调用逻辑，还能避免漏写某个键导致后续列表长度不一致的报错。

方案2：dataclass类型约束（适合字段多的复杂场景） #

如果你的实验字段固定且数量较多，用dataclass可以获得IDE自动补全、类型校验能力，避免手敲键名出错：

from dataclasses import dataclass, asdict
from typing import List
import pandas as pd

# 提前定义实验记录的固定字段
@dataclass
class ExpRecord:
    model_name: str
    seed: int
    identifier: str
    val_mse: float

# 存储所有记录的列表
records: List[ExpRecord] = []

# 循环内添加记录
records.append(ExpRecord(
    model_name=model_name,
    seed=seed,
    identifier=f"fold {fold}",
    val_mse=val_score
))

# 最终转成你需要的字典结构，直接对接后续逻辑
result_dict = pd.DataFrame([asdict(r) for r in records]).to_dict(orient="list")

优化后业务代码示例（采用方案1） #

from typing import Dict
import numpy as np
import pandas as pd
from sklearn import metrics

# 全局通用辅助函数，定义一次可在所有同类场景复用
def append_row(result_dict: Dict, row_data: Dict):
    for key, value in row_data.items():
        result_dict[key].append(value)

# 原有初始化逻辑完全不变
result_dict: Dict = {"model_name": [], "seed": [], "identifier": [], "val_mse": []}
model_name = model.__class__.__name__

for fold in range(1, num_folds + 1):
    train_df = df_folds[df_folds["fold"] != fold].reset_index(drop=True)
    val_df = df_folds[df_folds["fold"] == fold].reset_index(drop=True)

    X_train, y_train = train_df[predictor_col].values, train_df[target_col].values
    X_val, y_val = val_df[predictor_col].values, val_df[target_col].values

    model.fit(X_train, y_train)
    y_val_pred = model.predict(X_val)
    val_score = metrics.mean_squared_error(y_true=y_val, y_pred=y_val_pred)

    # 原4行append简化为1次调用
    append_row(result_dict, {
        "model_name": model_name,
        "seed": seed,
        "identifier": f"fold {fold}",
        "val_mse": val_score
    })

avg_val_score = np.mean(result_dict["val_mse"], axis=None)
standard_error = np.std(result_dict["val_mse"], axis=None) / np.sqrt(num_folds)
# 追加平均结果同样可以用该方法，避免漏写字段
append_row(result_dict, {
    "model_name": model_name,
    "seed": seed,
    "identifier": "average_score",
    "val_mse": avg_val_score
})

内容的提问来源于stack exchange，提问作者ilovewt