本文介绍如何将 pandas 中存储为字符串的单键字典（如 `"{827056812014862: [0.05, 0.0608, 0.476464, 0.53535]}"`）安全解析、解包，并展开为包含 id 与多个数值列（t1–t4）的规整表格。
在实际数据处理中，常遇到将嵌套结构以字符串形式存于单列的情况（例如日志导出、API 响应或低规范 CSV）。直接使用 eval() 存在严重安全风险，因此推荐使用 ast.literal_eval —— 它仅支持基础 Python 字面量（dict, list, float, int, str 等），可安全解析可信但非标准格式的字符串字典。
以下为完整、健壮的实现方案：
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 + 展开逻辑
records = []
for s in df["column_A"]:
try:
d = literal_eval(s) # 安全转为 dict
if not isinstance(d, dict) or len(d) != 1:
raise ValueError("Expected single-key dict")
key, values = next(iter(d.items()))
if not isinstance(values, (list, tuple)) or len(values) != 4:
raise ValueError("Expected list/tuple of 4 numeric values")
records.append({
"id": key,
"t1": float(values[0]),
"t2": float(values[1]),
"t3": float(values[2]),
"t4": float(values[3])
})
except (ValueError, SyntaxError, TypeError) as e:
print(f"Warning: Skipping invalid row '{s}' — {e}")
continue
result = pd.DataFrame(records)
print(result)✅ 输出结果：
python-flask-vue-creator
下载
创建 Flask + Vue.js 全栈项目，采用单端口架构、uv 依赖管理、结构化日志和生产级前端设计。当用户要求以下操作时触发：创建新的 Flask+Vue 项目、搭建 Web 应用、构建全栈 Python+Vue 应用、初始化 Flask Web 项目、设置单端口 Flask 前后端项目。触发词：新建项目、创建项目、搭建项目、Flask项目、Vue项目。
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
? 关键要点说明：
- ✅ 安全性优先：ast.literal_eval 替代 eval，杜绝任意代码执行风险；
- ✅ 健壮性增强：添加 try/except 捕获解析异常（如格式错误、缺失值、长度不符），避免整个流程中断；
- ✅ 类型明确：显式转换 float()，确保数值列具备计算能力（而非 object 类型）；
- ✅ 可扩展设计：若后续列表长度变化（如变为 5 元素），只需调整 len(values) == 4 判断及字段映射逻辑；
- ⚠️ 注意：该方法假设每行字符串严格对应一个键值对（key → 4 元素列表）。若存在多键字典或嵌套结构，需另行设计扁平化策略。
此方案兼顾简洁性、安全性与生产可用性，适用于 ETL 清洗、特征工程前的数据标准化阶段。
