如何在数据框的一行中的列表内解压缩多个字典对象？

Question

我有一个带有以下字典的数据框，该字典在每行和每行的单个列表中，列表的大小不同，它们的大小也不同，如下所示：ID    unnest_column1     [{'abc': 11, 'def': 1},{'abc': 15, 'def': 1},     {'abc': 16, 'def': 1},     {'abc': 17, 'def': 1},     {'abc': 18, 'def': 1, 'ghi': 'abc'},     {'abc': 23, 'def': 'xxx', 'def': 1},     {'abc': 23, 'def': 'xxx', 'def': 2},     {'abc': 23, 'def': 'xxx', 'def': 4}]2   [{'abc': 11, 'def': 1}]如何解压缩列表中的字典并创建键值列？新的df可能（不确定确切的外观），只需要在各列中输入键即可：id    abc    def     ghi1       2             3         abc

Answer 1

df = pd.DataFrame()

df['x'] = [[{'QuestionId': 11, 'ResponseId': 1},{'QuestionId': 15, 'ResponseId': 1},

 {'QuestionId': 16, 'ResponseId': 1},

 {'QuestionId': 17, 'ResponseId': 1},

 {'QuestionId': 18, 'ResponseId': 1, 'Value': 'abc'},

 {'QuestionId': 23, 'DataLabel': 'xxx', 'ResponseId': 1},

 {'QuestionId': 23, 'DataLabel': 'xxx', 'ResponseId': 2},

 {'QuestionId': 23, 'DataLabel': 'xxx', 'ResponseId': 4}],

[{'QuestionId': 11, 'ResponseId': 1}]]

您可以sum将列表进行汇总，然后使用DataFrame构造函数

new_df = pd.DataFrame(df.x.values.sum())

    DataLabel   QuestionId  ResponseId  Value

0   NaN         11          1           NaN

1   NaN         15          1           NaN

2   NaN         16          1           NaN

3   NaN         17          1           NaN

4   NaN         18          1           abc

5   xxx         23          1           NaN

6   xxx         23          2           NaN

7   xxx         23          4           NaN

8   NaN         11          1           NaN

如果要维护原始索引，可以构建一个inds列表并将其作为参数传递给构造函数：

inds = [index for _ in ([i] * len(v) for i,v in df.x.iteritems()) for index in _]

pd.DataFrame(df.x.values.sum(), index=inds)

    DataLabel   QuestionId  ResponseId  Value

0   NaN         11          1           NaN

0   NaN         15          1           NaN

0   NaN         16          1           NaN

0   NaN         17          1           NaN

0   NaN         18          1           abc

0   xxx         23          1           NaN

0   xxx         23          2           NaN

0   xxx         23          4           NaN

1   NaN         11          1           NaN