本文介绍如何将四层嵌套字典（如 {'level1': {'level2': {'level3': {'level4': 'value'}}}}）转换为具有多级列索引（MultiIndex columns）的 Pandas DataFrame，核心是正确使用 pd.concat 与字典推导式，避免语法错误和标量索引异常。
本文介绍如何将四层嵌套字典（如 `{'level1': {'level2': {'level3': {'level4': 'value'}}}}`）转换为具有多级列索引（multiindex columns）的 pandas dataframe，核心是正确使用 `pd.concat` 与字典推导式，避免语法错误和标量索引异常。
要从深度嵌套字典生成带层级列名的 DataFrame（例如期望输出中 level1 → level2 → level3 → level4 垂直堆叠为列索引），不能直接对嵌套结构调用 pd.concat，而应逐层递归展开字典，并利用 pd.concat(..., axis=1) 沿列方向拼接，同时通过字典键构建 pd.MultiIndex.from_tuples() 或更简洁地——借助 pd.concat 对字典的原生支持（自动将键转为 keys 参数，生成 MultiIndex 列）。
但需注意：pd.concat({key: df}) 中的 df 必须是合法的 DataFrame（即不能是纯标量值），且若内部值为标量（如 'value'），必须显式指定 index，否则会触发 ValueError: If using all scalar values, you must pass an index。
✅ 正确做法是：自底向上构造 —— 先将最内层标量包装为单元素 DataFrame（带索引），再逐层用 pd.concat 将其作为值嵌入上层字典，最终一次性拼接顶层字典：
import pandas as pd
nested_dict = {
'level1': {
'level2': {
'level3': {
'level4': 'value'
}
}
}
}
# ✅ 步骤1：递归提取最深层键值对，并构造基础 DataFrame
def build_nested_df(d, keys=None):
if keys is None:
keys = []
if not isinstance(d, dict):
# 到达叶子节点：标量值 → 转为单行 DataFrame，指定 index 避免 ValueError
return pd.DataFrame({tuple(keys): [d]}, index=[0])
else:
# 非叶子：遍历每一层，累积 keys，递归构建下层
frames = []
for k, v in d.items():
frames.append(build_nested_df(v, keys + [k]))
# 沿列拼接所有子帧（自动形成 MultiIndex 列）
return pd.concat(frames, axis=1)
# 执行构建
result = build_nested_df(nested_dict)
print(result)输出：
level1
level2
level3
level4
0 value? 观察列索引：result.columns 是 MultiIndex，层级为 ('level1', 'level2', 'level3', 'level4')，完美匹配需求。
⚠️ 注意事项：
- 切勿在 pd.concat(...) 参数中写 key:{...}：这是无效语法；正确形式永远是 {key: value}（字典字面量）；
- 标量值必须包裹为 DataFrame 并指定 index：pd.DataFrame({'col': ['value']}) 或 pd.DataFrame([[value]], columns=['col'], index=[0])；
- 避免手动多层 for 循环拼接：易出错、不可扩展；推荐递归或生成器函数封装逻辑；
- 若只需扁平化为单层列（如 'level1.level2.level3.level4'），可用 pd.json_normalize() + 列重命名，但本例强调原生多级索引结构。
? 总结：pd.concat 处理嵌套字典的本质，是将其视为“键→DataFrame”的映射关系。只要确保每个值都是合法 DataFrame（含明确索引），pd.concat({...}, axis=1) 即可自动构建 MultiIndex 列，无需手动操作索引对象。
