本文介绍两种高效方法，将含分类、国家代码、州代码和计数的dataframe，转换为按category→countrycode→statecode三级嵌套的字典（json兼容结构），适用于api响应或前端数据组织场景。
本文介绍两种高效方法，将含分类、国家代码、州代码和计数的dataframe，转换为按category→countrycode→statecode三级嵌套的字典（json兼容结构），适用于api响应或前端数据组织场景。
在数据分析与Web服务开发中，常需将扁平化的表格数据（如Pandas DataFrame）重构为层级清晰的嵌套结构，便于序列化为JSON并供前端消费。本文以一个典型示例出发：原始DataFrame包含category（类别）、countrycode（国家码）、stateCode（州码）和statecount（数量）四列，目标是生成形如 {"Medical": {"US": {"AK": 600}, "CAN": {"AB": 100}}, ...} 的三层嵌套字典。
最推荐的方法是使用 df.groupby(['category', 'countrycode']) 进行双重分组，配合 setdefault 动态构建嵌套字典：
import pandas as pd
data = {
'category': ['Medical','Medical','Research','Medical','Research'],
'countrycode': ['US','CAN','US','CAN','US'],
'stateCode': ['AK','AB','MO','NT','OK'],
'statecount': [600,100,200,760,90]
}
df = pd.DataFrame(data)
# ✅ 推荐：高效、可读性强、内存友好
out = {}
for (cat, country), group in df.groupby(['category', 'countrycode']):
out.setdefault(cat, {})[country] = group.set_index('stateCode')['statecount'].to_dict()
print(out)
# 输出：
# {'Medical': {'US': {'AK': 600}, 'CAN': {'AB': 100, 'NT': 760}},
# 'Research': {'US': {'MO': 200, 'OK': 90}}}该方案核心在于：
- groupby(['category', 'countrycode']) 一次性获取两级键组合；
- setdefault(cat, {}) 确保外层字典存在对应 category 键（避免KeyError）；
- group.set_index('stateCode')['statecount'].to_dict() 将当前子组快速转为 {'stateCode': statecount} 映射。
若追求函数式风格或需更高灵活性（例如后续扩展聚合逻辑），也可采用字典推导式写法：
# ⚠️ 注意：此方式对大数据集性能略低（重复分组）
nested = {
cat: {
cntry: grp.set_index('stateCode')['statecount'].to_dict()
for cntry, grp in sub_df.groupby('countrycode')
}
for cat, sub_df in df.groupby('category')
}注意事项：
- 原始数据中 'Medical' 类别下 'US' 的 'OK' 实际未出现（问题示例输出有误），正确结果应仅包含实际存在的 (category, countrycode, stateCode) 组合；
- 若需输出标准JSON字符串，直接调用 json.dumps(out, indent=2) 即可；
- 所有键名（如 'Medical', 'US'）均来自原始数据，确保其唯一性与规范性，否则可能引发意外覆盖；
- 如遇缺失值，建议预先用 df.dropna(subset=['category','countrycode','stateCode']) 清洗，避免空键异常。
掌握这种分组+字典构建模式，可轻松扩展至四层甚至更深嵌套（如增加 city 维度），是Pandas数据重塑中的实用范式。
