如何将字符串形式的字典列安全解析并展开为多列

本文介绍如何在 python 中安全地将 dataframe 中存储为字符串的字典（如 `"{827056812014862: [0.05, 0.0608, 0.476464, 0.53535]}"`）解析为结构化表格，提取键为 `id`、列表元素依次映射为 `t1`, `t2`, `t3`, `t4` 等独立列。

在实际数据处理中，常遇到将嵌套结构以字符串形式存储于单列的情况（例如日志导出、API 响应或低规范数据库导出）。直接使用 eval() 解析存在严重安全风险，推荐使用 ast.literal_eval() —— 它仅支持安全的字面量（如 dict、list、float、int、str），可有效防止代码注入。

以下是一个完整、健壮的解决方案：

import pandas as pd
from ast import literal_eval

# 示例原始数据
df = pd.DataFrame({
    "column_A": [
        "{827056812014862: [0.05, 0.0608, 0.476464, 0.53535]}",
        "{263746262748835: [0.08, 0.0333, 0.8263, 0.9463]}",
        "{63673738736362: [0.05, 0.0926, 0.8694, 0.9903]}",
        "{73737681201484: [0.08, 0.0425, 0.1948, 0.3958]}"
    ]
})

# 安全解析 + 展开为标准 DataFrame
records = []
for s in df["column_A"]:
    try:
        d = literal_eval(s)  # 安全转换字符串为 dict
        for key, values in d.items():
            if isinstance(values, (list, tuple)) and len(values) == 4:
                records.append({
                    "id": key,
                    "t1": values[0],
                    "t2": values[1],
                    "t3": values[2],
                    "t4": values[3]
                })
            else:
                raise ValueError(f"Unexpected value format: {values}")
    except (ValueError, SyntaxError) as e:
        print(f"Warning: Skipping invalid string '{s}' — {e}")
        continue

result = pd.DataFrame(records)
print(result)

✅ 输出结果与预期一致：

                id    t1      t2        t3       t4
0  827056812014862  0.05  0.0608  0.476464  0.53535
1  263746262748835  0.08  0.0333  0.826300  0.94630
2   63673738736362  0.05  0.0926  0.869400  0.99030
3   73737681201484  0.08  0.0425  0.194800  0.39580

? 关键注意事项：

• ✅ 永远避免 eval()：它可执行任意 Python 表达式，存在严重安全隐患；literal_eval() 是唯一推荐替代方案。
• ⚠️ 添加异常处理：真实数据中可能存在格式错误、空值或长度不一致的列表，务必用 try/except 包裹解析逻辑。
• ? 扩展性建议：若列表长度不固定，可用 **{f"t{i}":

  

  v for i, v in enumerate(values, 1)} 动态生成列名（如答案中所示），再通过 pd.json_normalize() 或 pd.concat() 统一列结构。
• ? 性能优化（大数据量）：对超大规模数据，可改用 apply + pd.Series 向量化展开（需确保每行仅含一个 key-value 对），但需注意内存开销。

该方法兼顾安全性、可读性与工程鲁棒性，适用于 ETL 流程、数据清洗及 Pandas 标准化预处理场景。

# ai  # 是一个  # 大数据  # 结构化  # python  # 数据清洗  # 适用于  # 数据处理  # 推荐使用  # 所示  # 性能优化  # app  # 可执行  # 如何在  # js  # json  # int  # 字符串  # 数据库  # try  # for  # Float  # etl  # pandas  # 原始数据  # 需注意 

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; ?> 】