将词典列表转换为熊猫数据帧
我有一个这样的字典列表：
[{'points': 50, 'time': '5:00', 'year': 2010},
{'points': 25, 'time': '6:00', 'month': "february"},
{'points':90, 'time': '9:00', 'month': 'january'},
{'points_h1':20, 'month': 'june'}]
我想把它变成一个熊猫数据帧，如下所示：
month points points_h1 time year
0 NaN 50 NaN 5:00 2010
1 february 25 NaN 6:00 NaN
2 january 90 NaN 9:00 NaN
3 june NaN 20 NaN NaN
注意：列的顺序并不重要。
如何将字典列表转换为如上所示的数据帧？
共有3个答案
在pandas 16.2中，我必须从_records（d）中执行pd.DataFrame。
其他答案是正确的，但没有太多解释这些方法的优点和局限性。这篇文章的目的是展示不同情况下这些方法的例子，讨论何时使用（何时不使用），并提出替代方案。
根据数据的结构和格式，在某些情况下，这三种方法要么都有效，要么有些比其他方法更好，要么根本不起作用。
考虑一个非常巧妙的例子。
np.random.seed(0)
data = pd.DataFrame(
np.random.choice(10, (3, 4)), columns=list('ABCD')).to_dict('r')
print(data)
[{'A': 5, 'B': 0, 'C': 3, 'D': 3},
{'A': 7, 'B': 9, 'C': 3, 'D': 5},
{'A': 2, 'B': 4, 'C': 7, 'D': 6}]
此列表由“记录”组成，每个键都存在。这是您可能遇到的最简单的情况。
# The following methods all produce the same output.
pd.DataFrame(data)
pd.DataFrame.from_dict(data)
pd.DataFrame.from_records(data)
A B C D
0 5 0 3 3
1 7 9 3 5
2 2 4 7 6
在继续之前，重要的是要区分不同类型的字典方向，并支持熊猫。有两种主要类型：“列”和“索引”。
orient='columns'
具有“columns”方向的词典将使其键对应于等效数据帧中的列。
例如，上面的数据处于“列”方向。
data_c = [
{'A': 5, 'B': 0, 'C': 3, 'D': 3},
{'A': 7, 'B': 9, 'C': 3, 'D': 5},
{'A': 2, 'B': 4, 'C': 7, 'D': 6}]
pd.DataFrame.from_dict(data_c, orient='columns')
A B C D
0 5 0 3 3
1 7 9 3 5
2 2 4 7 6
注意：如果您使用的是pd。DataFrame.from_records，方向被假定为列（您不能以其他方式指定），并且字典将相应地加载。
orient='index'
使用此方向，假定键对应于索引值。这类数据最适合于来自_dict的pd.DataFrame。
data_i ={
0: {'A': 5, 'B': 0, 'C': 3, 'D': 3},
1: {'A': 7, 'B': 9, 'C': 3, 'D': 5},
2: {'A': 2, 'B': 4, 'C': 7, 'D': 6}}
pd.DataFrame.from_dict(data_i, orient='index')
A B C D
0 5 0 3 3
1 7 9 3 5
2 2 4 7 6
OP中未考虑此情况，但了解此情况仍然很有用。
如果需要在结果数据帧上设置自定义索引，可以使用index=…参数进行设置。
pd.DataFrame(data, index=['a', 'b', 'c'])
# pd.DataFrame.from_records(data, index=['a', 'b', 'c'])
A B C D
a 5 0 3 3
b 7 9 3 5
c 2 4 7 6
pd不支持这一点。DataFrame.from_dict。
当处理缺少键/列值的字典时，所有方法都可以开箱即用。例如，
data2 = [
{'A': 5, 'C': 3, 'D': 3},
{'A': 7, 'B': 9, 'F': 5},
{'B': 4, 'C': 7, 'E': 6}]
# The methods below all produce the same output.
pd.DataFrame(data2)
pd.DataFrame.from_dict(data2)
pd.DataFrame.from_records(data2)
A B C D E F
0 5.0 NaN 3.0 3.0 NaN NaN
1 7.0 9.0 NaN NaN NaN 5.0
2 NaN 4.0 7.0 NaN 6.0 NaN
“如果我不想在每一栏都读呢”？您可以使用列=...参数轻松指定此项。
例如，从上面的data2示例字典中，如果您只想读取列“A”、“D”和“F”，可以通过传递列表来实现：
pd.DataFrame(data2, columns=['A', 'D', 'F'])
# pd.DataFrame.from_records(data2, columns=['A', 'D', 'F'])
A D F
0 5.0 3.0 NaN
1 7.0 NaN 5.0
2 NaN NaN NaN
默认方向为“列”的dict的pd.DataFrame.from不支持这一点。
pd.DataFrame.from_dict(data2, orient='columns', columns=['A', 'B'])
ValueError: cannot use columns parameter with orient='columns'
这些方法都不直接支持。您必须迭代数据，并在迭代时就地执行反向删除。例如，要仅从上面的data2中提取0th和2nd行，可以使用：
rows_to_select = {0, 2}
for i in reversed(range(len(data2))):
if i not in rows_to_select:
del data2[i]
pd.DataFrame(data2)
# pd.DataFrame.from_dict(data2)
# pd.DataFrame.from_records(data2)
A B C D E
0 5.0 NaN 3 3.0 NaN
1 NaN 4.0 7 NaN 6.0
上述方法的一个强大、健壮的替代方法是json\u normalize函数，它可以处理字典（记录）列表，此外还可以处理嵌套字典。
pd.json_normalize(data)
A B C D
0 5 0 3 3
1 7 9 3 5
2 2 4 7 6
pd.json_normalize(data2)
A B C D E
0 5.0 NaN 3 3.0 NaN
1 NaN 4.0 7 NaN 6.0
同样，请记住，传递给json\u normalize的数据需要采用字典列表（记录）格式。
如前所述，json\u normalize还可以处理嵌套字典。下面是一个来自文档的示例。
data_nested = [
{'counties': [{'name': 'Dade', 'population': 12345},
{'name': 'Broward', 'population': 40000},
{'name': 'Palm Beach', 'population': 60000}],
'info': {'governor': 'Rick Scott'},
'shortname': 'FL',
'state': 'Florida'},
{'counties': [{'name': 'Summit', 'population': 1234},
{'name': 'Cuyahoga', 'population': 1337}],
'info': {'governor': 'John Kasich'},
'shortname': 'OH',
'state': 'Ohio'}
]
pd.json_normalize(data_nested,
record_path='counties',
meta=['state', 'shortname', ['info', 'governor']])
name population state shortname info.governor
0 Dade 12345 Florida FL Rick Scott
1 Broward 40000 Florida FL Rick Scott
2 Palm Beach 60000 Florida FL Rick Scott
3 Summit 1234 Ohio OH John Kasich
4 Cuyahoga 1337 Ohio OH John Kasich
有关元和记录路径参数的更多信息，请查看文档。
下面是上面讨论的所有方法的列表，以及支持的特性/功能。
*使用orient='columns'，然后转置以获得与orient='index'相同的效果
假设d是您的任务列表，简单地说：
df = pd.DataFrame(d)
注意：这不适用于嵌套数据。
-
我有一本这样的字典： 我只是想把它转换成一个数据帧，其中的列是，等等，然后将索引设置为当前日期和小时，我将使用该代码作为。 生成的如下所示： 我的第一步是将dict转换为数据帧，就我而言，这段代码应该可以做到这一点： 但是我得到这个错误消息：。 我真的不知道这里有什么问题？任何建议都是很好的，如果有人能够解决将指数调整为bargin的问题，那就更好了。干杯
-
我对熊猫有些陌生。我有一个熊猫数据框，是一行23列。 我想把它转换成一个系列？我想知道做这件事最像蟒蛇的方式是什么？ 我试过pd。系列（我的结果），但它抱怨。它还没有聪明到意识到它仍然是数学术语中的“向量”。 谢谢！
-
我想读取ArcGIS形状文件的文件，并将其转储到数据帧中。我目前正在使用dbf包。 显然，我已经能够将文件作为一个表加载，但还不能理解如何解析它并将其转换为一个数据帧。怎么做？ 这就是我所处的困境： Python将此语句作为输出返回，坦率地说，我不知道该如何处理： 编辑 我的原始示例：
-
我有一本python词典，名为，由关键字和值组成，这些关键字和值表示它们在给定文本中出现的频率： 现在，我需要将其制作成一个包含两列的pandas数据框：一列名为“word”，表示单词，另一列名为“count”，表示频率。
-
问题内容： 我对熊猫有些陌生。我有一个熊猫数据框，它是1行乘23列。 我想将其转换为系列吗？我想知道最pythonic的方法是什么？ 我试过了，但是抱怨。它不够聪明，无法意识到它仍然是数学上的“向量”。 谢谢！ 问题答案： 它不够聪明，无法意识到它仍然是数学上的“向量”。 可以说它足够聪明，可以识别尺寸差异。:-) 我认为您可以做的最简单的事情是使用位置选择该行，这将为您提供一个Series，其列
-
我面临的一个基本问题是如何用json格式的文本来转换从解析列中获得的字典列表。以下是数据的简短快照： 此外，我用来解析的代码详细如下： stdf_noncookie是我试图转换成熊猫数据目录的字典列表。'attributes'是具有json格式文本的列。我试图从这个链接中学到一些东西，但这并不能解决我的问题。任何将词典列表转换为panda dataframe的建议/技巧都将有所帮助。