如何高效向pandas DataFrame写入数据？避免逐行写入

当然可以！逐行循环写入DataFrame的方式效率极低——每次append都会复制整个DataFrame，数据量越大性能损耗越明显。针对你这种嵌套JSON的场景，完全可以用批量提取+一次性构造DataFrame的方式来优化，下面给你两种实用方案：

方案1：批量提取指定字段构造DataFrame #

如果只需要提取cadence这一个字段，直接用列表推导式批量取出所有值，再一次性生成DataFrame即可：

import pandas as pd

# 假设 workoutSamples 是你的JSON响应字典
data_entries = workoutSamples['data']
# 批量提取所有节点的cadence值（用get避免字段缺失报错）
cadence_list = [entry.get('cadence') for entry in data_entries]
# 直接创建包含cadence列的DataFrame
df = pd.DataFrame({'cadence': cadence_list})

方案2：用json_normalize处理复杂嵌套JSON #

如果你的data节点里还有其他需要提取的嵌套字段，用pandas的json_normalize工具可以直接解析整个嵌套结构，自动将JSON字段映射为DataFrame的列，一步到位：

import pandas as pd

# 直接解析整个data列表，自动展开所有嵌套字段
df = pd.json_normalize(workoutSamples['data'])

# 如果只需要保留特定列（比如cadence和其他字段），可以指定列名筛选
target_columns = ['cadence', 'speed', 'heart_rate']
df = pd.json_normalize(workoutSamples['data'])[target_columns]

为什么这两种方法更高效？ #

pandas的核心优势就是向量化操作，批量处理是在底层用C实现的，避免了Python循环的额外开销。相比逐行append，这种方式的性能提升在数据量超过千条时会非常明显。

内容的提问来源于stack exchange，提问作者Ethanopp