如何将字典列表转换为熊猫数据帧？
其他答案是正确的，但就这些方法的优点和局限性而言，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，讨论何时使用（以及何时不使用），并提出替代方案。
根据数据的结构和格式，在某些情况下，所有三种方法都有效，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}]
此列表由存在每个键的“记录”组成。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
字典方向上的单词：orient='index'/'columns'
在继续之前，重要的是要区分不同类型的字典方向，以及使用pandas的支持。主要有两种类型：“列”和“索引”。
orient='columns'
具有“列”方向的字典的键将对应于等效 DataFrame 中的列。
例如，上面的是“列”方向。data
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 ，则假定方向为“列”（您无法以其他方式指定），并且将相应地加载字典。pd.DataFrame.from_records
orient='index'
使用此方向，假定键与索引值相对应。此类数据最适合于 。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
这种情况在OP中没有考虑，但仍然有用。
设置自定义索引
如果需要在生成的 DataFrame 上使用自定义索引，则可以使用参数对其进行设置。index=...
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
不支持此操作。pd.DataFrame.from_dict
处理缺少的键/列
在处理缺少键/列值的字典时，所有方法都是开箱即用的。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
读取列的子集
“如果我不想在每一列中阅读怎么办”？您可以使用该参数轻松指定此参数。columns=...
例如，从上面的示例字典中，如果您只想读取列“A”，“D”和“F”，则可以通过传递列表来执行此操作：data2
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
缺省方向“列”不支持此功能。pd.DataFrame.from_dict
pd.DataFrame.from_dict(data2, orient='columns', columns=['A', 'B'])
ValueError: cannot use columns parameter with orient='columns'
读取行的子集
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，要仅从上面提取第 0 行和第 2 行，可以使用：data2
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而健壮的替代方法是该函数，该函数可与字典（记录）列表配合使用，此外还可以处理嵌套字典。json_normalize
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，传递到的数据需要采用字典列表（记录）格式。json_normalize
如前所述，还可以处理嵌套字典。下面是从文档中摘录的示例。json_normalize
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 和 参数的详细信息，请查看文档。metarecord_path
总结
下表列出了上面讨论的所有方法，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。
