如何将字典列表转换为数据帧?考虑到:
[{'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'}]
我想把上面的变成一个数据框架:
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:列的顺序不重要。
当前回答
在pandas 16.2中，我必须执行pd. datafframe .from_records(d)才能使其工作。
其他回答
如果ds是dicts的列表:
df = pd.DataFrame(ds)
注意:这对嵌套数据不起作用。
Pyhton3: 前面列出的大多数解决方案都有效。然而，在某些情况下，数据帧的row_number不需要，并且必须单独写入每一行(记录)。 下面的方法在这种情况下很有用。
import csv
my file= 'C:\Users\John\Desktop\export_dataframe.csv'
records_to_save = data2 #used as in the thread.
colnames = list[records_to_save[0].keys()]
# remember colnames is a list of all keys. All values are written corresponding
# to the keys and "None" is specified in case of missing value
with open(myfile, 'w', newline="",encoding="utf-8") as f:
writer = csv.writer(f)
writer.writerow(colnames)
for d in records_to_save:
writer.writerow([d.get(r, "None") for r in colnames])
如何将字典列表转换为熊猫数据框架?
其他的答案都是正确的，但是对于这些方法的优点和局限性并没有太多的解释。这篇文章的目的是展示这些方法在不同情况下的例子，讨论什么时候使用(什么时候不使用)，并提出替代方案。
DataFrame()， DataFrame.from_records()和.from_dict()
根据数据的结构和格式，在某些情况下，三种方法都可以工作，或者有些方法比其他方法更好，或者有些方法根本不起作用。
考虑一个非常人为的例子。
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}]
该列表由包含每个键的“记录”组成。这是你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
Word on Dictionary定向:orient='index'/'columns'
在继续之前，重要的是区分不同类型的字典方向，并支持pandas。有两种主要类型:“列”和“索引”。
东方=“列” 具有“columns”方向的字典将其键对应于等效DataFrame中的列。
例如，上面的数据以“列”为方向。
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:如果使用pd. datafame .from_records，则假定方向为“列”(不能指定其他方向)，字典将相应地加载。
东方=“指数” 在这个定向中，键被假定对应于索引值。这种数据最适合pd.DataFrame.from_dict。
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中没有考虑到这种情况，但知道它仍然是有用的。
设置自定义索引
如果你需要在生成的DataFrame上创建一个自定义索引，你可以使用index=…论点。
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.DataFrame.from_dict不支持。
处理缺失的键/列
在处理缺少键/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
列的读取子集
"如果我不想每一栏都读呢"你可以使用列=…参数。
例如，从上面的data2的示例字典中，如果你想只读取列"A'， 'D'，和'F'，你可以通过传递一个列表来实现:
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
这是pd. datafame .from_dict默认定向"columns"不支持的。
pd.DataFrame.from_dict(data2, orient='columns', columns=['A', 'B'])
ValueError: cannot use columns parameter with orient='columns'
行读取子集
这些方法都不直接支持。您必须对数据进行迭代，并在迭代时就地执行反向删除。例如，要从上面的data2中只提取第0行和第2行，你可以使用:
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
灵丹妙药:json_normalize用于嵌套数据
上述方法的一个强大、健壮的替代方法是json_normalize函数，它处理字典(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_normalize的数据需要采用字典列表(记录)格式。
如前所述，json_normalize还可以处理嵌套字典。下面是文档中的一个例子。
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meta和record_path参数的更多信息，请参阅文档。
总结
下面是上面讨论的所有方法的表格，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。
我发现的最简单的方法是这样的:
dict_count = len(dict_list)
df = pd.DataFrame(dict_list[0], index=[0])
for i in range(1,dict_count-1):
df = df.append(dict_list[i], ignore_index=True)
在pandas 16.2中，我必须执行pd. datafframe .from_records(d)才能使其工作。
