用pd.DataFrame()构造函数最省事，但要求字典value长度一致；嵌套字典需用from_dict(orient='index')；非等长或混合类型须预处理归一化。
直接用 pd.DataFrame() 构造函数最省事
字典转 DataFrame 的核心路径就是把字典传给 pd.DataFrame()，它会自动按 key 当列名、value 当列数据。前提是所有 value 长度一致，否则会报 ValueError: arrays must all be same length。
常见错误是把嵌套字典（比如 {'a': {'x': 1, 'y': 2}, 'b': {'x': 3, 'y': 4}}）直接传进去——这会被当成单层字典处理，生成两行一列的 DataFrame，而不是你想要的 2×2 表格。此时得先用 pd.DataFrame.from_dict(..., orient='index')。
实操建议：
- 一维字典（
{'col1': [1,2,3], 'col2': [4,5,6]}）→ 直接pd.DataFrame(d) - 想让字典 key 变成行索引 → 加参数
orient='index'，再用.T转置（如需列对齐） - value 是标量（如
{'a': 1, 'b': 2}）→ 默认生成 1 行，加index=[0]显式控制更稳
pd.DataFrame.from_dict() 的 orient 参数决定结构走向
这个方法比裸构造函数多一层控制，关键是 orient：默认 'columns'（和 pd.DataFrame(d) 行为一致），设为 'index' 才能把字典 key 当成行标签。
立即学习“Python免费学习笔记（深入）”；
容易踩的坑：
-
orient='index'时，若各 value 长度不一致，Pandas 会用NaN填充缺失位置，但不会报错——结果可能悄无声息地变宽，列名变成混合类型（比如0, 1, 'name'） - 如果字典 value 是
dict且你希望展开成多级列，from_dict不支持，得先用pd.json_normalize() - 性能上，小数据无差别；大数据量时，
from_dict(orient='index')比先构造再.T略快一点点
处理非等长 value 或混合类型时别硬塞
当字典里混着 list、numpy array、scalar、None，或各 list 长度不同，pd.DataFrame(d) 会直接失败或静默截断（取决于 Pandas 版本）。这不是 bug，是设计使然：DataFrame 要求每列长度严格一致。
解决思路不是强行转换，而是提前归一化：
- 用
itertools.zip_longest()对齐 list 长度，填None或np.nan - 对 scalar 值统一包装成
[val] * n_rows（n_rows 取其他列最大长度） - 用
pd.Series分别构造每列，再pd.concat(..., axis=1)，能更好控制 dtype 和缺失值行为
例如：pd.concat([pd.Series(v, name=k) for k, v in d.items()], axis=1)，对不等长情况更鲁棒。
注意字典 key 的类型和顺序
Pandas 0.24+ 保证插入顺序，所以 Python 3.7+ 字典 key 的顺序会被保留为列顺序。但如果你用的是旧版 Python 或从 JSON 加载字典（无序），列序可能意外打乱。
key 类型也影响列名：
- 整数 key（如
{1: [...], 2: [...]}）会变成列名1, 2，不是字符串，后续用df[1]可能被误认为位置索引 - 含空格或特殊字符的 key（如
{'user id': [...]}）会导致df.user id报错，必须用df['user id'] - 重复 key 会被后出现的覆盖，且无警告——检查字典 keys 是否唯一，比看结果更可靠
实际项目里，建议在构造前加一句 assert len(d) == len(set(d.keys()))，避免静默丢数据。
