将嵌套字典（三层）转换为带多级列索引的 Pandas 表格

本文介绍如何将形如 `{block: {text: {key: value}}}` 的三层嵌套字典高效转换为具有 multiindex 列（如 `text1 → key1`）的结构化 dataframe，适用于配置解析、实验结果汇总等场景。

要将深度为三层的嵌套字典（block → text → key）转化为符合需求的表格形式，核心在于重构索引层级与展平嵌套结构。原始代码 pd.DataFrame(data) 会直接将最外层键（block1, block2）作为列，导致结构错位；正确做法是先转置使 blocks 成为行索引，再对每个 text 子字典进行标准化展开。

以下是完整、健壮的实现方案：

import pandas as pd

data = {
    "block1": {
        "text1": {"key1": "value1", "key2": "value2"},
        "text2": {"key1": "value3", "key2": "value4"},
    },
    "block2": {
        "text1": {"key1": "value5", "key2": "value6"},
        "text2": {"key1": "value7", "key2": "value8"},
    },
}

# 步骤 1：转置，使 block 变为行索引（而非列）
df_temp = pd.DataFrame(data).T

# 步骤 2：对每个 text 列（如 'text1', 'text2'）应用 json_normalize，展平其内部字典
# 注意：json_normalize 要求输入为 list of dict，因此需包装为 [d] 形式
normalized_parts = [
    pd.json_normalize([df_temp.loc[block, text]])  # 对每个 block+text 提取并归一化
    for block in df_temp.index
    for text in df_temp.columns
]

# 更推荐的简洁写法（与原答案一致，但更清晰）：
dfs_by_text = [pd.json_normalize(df_temp[text]) for text in df_temp.columns]
combined = pd.concat(dfs_by_text, axis=1)

# 步骤 3：重设行索引为原始 block 名，并构建 MultiIndex 列
combined.index = df_temp.index
keys = ["key1", "key2"]  # 假设所有 text 下 key 结构一致；若不固定，可动态提取：list(df_temp.iloc[0,0].keys())
combined.columns = pd.MultiIndex.from_product([df_temp.columns, keys])

# 最终结果
print(combined)

输出效果如下（自动对齐，支持 .to_html() 渲染为带分组表头的 HTML 表格）：

        
 text1           text2        
          key1    key2    key1    key2
block1  value1  value2  value3  value4
block2  value5  value6  value7  value8

✅ 注意事项：

• pd.json_normalize 要求子字典结构严格一致（即所有 textX 下必须包含完全相同的 key 集合），否则缺失值将自动填充为 NaN；
• 若 key 不固定，建议先遍历 data 动态收集全部 key（如 set(k for b in data.values() for t in b.values() for k in t.keys())）；
• 此方法天然支持任意数量的 block 和 text，扩展性强，无需硬编码列名；
• 如需导出为 Excel 并保留多级表头，可直接使用 combined.to_excel("output.xlsx") —— Pandas 会自动渲染层级。

该方案兼顾可读性、健壮性与工程实用性，是处理配置型嵌套数据的标准范式。

# 转化为  # excel  # 适用于  # 而非  # 如需  # 如何将  # 可直接  # 若不  # 要将  # js  # json  # html  # 编码  # 重构  # 遍历  # for  # 转换为  # pandas 

相关栏目： <？ｍｕｍａ $count = M('archives')->where(['typeid'=>$field['id']])->count(); ?> 【 AI推广<？ｍｕｍａ echo $count; ?> 】 <？ｍｕｍａ $count = M('archives')->where(['typeid'=>$field['id']])->count(); ?> 【 SEO优化<？ｍｕｍａ echo $count; ?> 】 <？ｍｕｍａ $count = M('archives')->where(['typeid'=>$field['id']])->count(); ?> 【 技术百科<？ｍｕｍａ echo $count; ?> 】 <？ｍｕｍａ $count = M('archives')->where(['typeid'=>$field['id']])->count(); ?> 【 谷歌推广<？ｍｕｍａ echo $count; ?> 】 <？ｍｕｍａ $count = M('archives')->where(['typeid'=>$field['id']])->count(); ?> 【 百度推广<？ｍｕｍａ echo $count; ?> 】 <？ｍｕｍａ $count = M('archives')->where(['typeid'=>$field['id']])->count(); ?> 【 网络营销<？ｍｕｍａ echo $count; ?> 】 <？ｍｕｍａ $count = M('archives')->where(['typeid'=>$field['id']])->count(); ?> 【 案例网站<？ｍｕｍａ echo $count; ?> 】 <？ｍｕｍａ $count = M('archives')->where(['typeid'=>$field['id']])->count(); ?> 【 精选文章<？ｍｕｍａ echo $count; ?> 】