我有这样的词典列表：
[{'points': 50, 'time': '5:00', 'year': 2010},
{'points': 25, 'time': '6:00', 'month': "february"},
{'points':90, 'time': '9:00', 'month': 'january'},
{'points_h1':20, 'month': 'june'}]我想把它变成这样的大熊猫DataFrame：
month points points_h1 time year
0 NaN 50 NaN 5:00 2010
1 february 25 NaN 6:00 NaN
2 january 90 NaN 9:00 NaN
3 june NaN 20 NaN NaN注意：列的顺序无关紧要。
如何将字典列表转换为如上所述的pandas DataFrame？
Answers:
假设d您的字典列表很简单：
pd.DataFrame(d)df = df.set_index('time')之后
pandas.DataFrame
'{"":{"...您可以使用json_normalize方法，请参阅@ cs95的详细答案
如何将字典列表转换为Pandas DataFrame？
其他答案是正确的，但是就这些方法的优点和局限性而言，并没有太多解释。这篇文章的目的是展示在不同情况下这些方法的示例，讨论何时使用（何时不使用），并提出替代方案。
DataFrame()，DataFrame.from_records()和.from_dict()根据数据的结构和格式，在某些情况下，这三种方法要么全部起作用，要么某些方法比其他方法更好，或者有些根本不起作用。
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}]该列表由“记录”组成，其中包含每个键。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 6orient='index'/'columns'在继续之前，重要的是要区分不同类型的字典方向和熊猫的支持。有两种主要类型：“列”和“索引”。
orient='columns'
方向为“列”的字典的键将与等效DataFrame中的列相对应。
例如，data上面是在“列”方向上。
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：如果使用pd.DataFrame.from_records，则假定方向为“列”（否则无法指定），并且将相应地加载字典。
orient='index'
通过这种定向，键被假定为对应于索引值。这种数据最适合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在OP中不考虑这种情况，但仍然有用。
如果需要在结果DataFrame上使用自定义索引，则可以使用index=...参数进行设置。
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不支持此功能pd.DataFrame.from_dict。
当处理缺少键/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“如果我不想在每一列中阅读该怎么办”？您可以使用columns=...参数轻松指定。
例如，从data2上面的示例字典中，如果您只想读取列“ A”，“ D”和“ F”，则可以通过传递一个列表来做到这一点：
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 NaNpd.DataFrame.from_dict默认方向的“列” 不支持此功能。
pd.DataFrame.from_dict(data2, orient='columns', columns=['A', 'B'])ValueError: cannot use columns parameter with orient='columns'这些方法都不直接支持。您将必须遍历数据，并在进行迭代时就地执行反向删除。例如，为了仅提取0 次和2 次的行从data2上述，可以使用：
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 6.0json_normalize用于嵌套数据上面列出的方法的一种强大而强大的替代方法是该json_normalize函数可用于词典列表（记录），此外还可以处理嵌套词典。
pd.io.json.json_normalize(data)
A B C D
0 5 0 3 3
1 7 9 3 5
2 2 4 7 6pd.io.json.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，传递给的数据json_normalize必须采用字典列表（记录）格式。
如前所述，json_normalize还可以处理嵌套字典。这是从文档中获取的示例。
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.io.json.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meta和record_path参数的更多信息，请查阅文档。
这是上面讨论的所有方法的表格，以及受支持的功能/特性。
*使用orient='columns'并转置以获得与相同的效果orient='index'。
在熊猫16.2中，我必须做一些pd.DataFrame.from_records(d)才能使它起作用。
deque
0.17.1@joris解决方案可与熊猫配合使用
0.18.1，from_records如果词典的键名都不相同，则必须使用。
您也可以pd.DataFrame.from_dict(d)用作：
In [8]: d = [{'points': 50, 'time': '5:00', 'year': 2010},
...: {'points': 25, 'time': '6:00', 'month': "february"},
...: {'points':90, 'time': '9:00', 'month': 'january'},
...: {'points_h1':20, 'month': 'june'}]
In [12]: pd.DataFrame.from_dict(d)
Out[12]:
month points points_h1 time year
0 NaN 50.0 NaN 5:00 2010.0
1 february 25.0 NaN 6:00 NaN
2 january 90.0 NaN 9:00 NaN
3 june NaN 20.0 NaN NaNdictS，不是从一个单一的dict，你在你的答案承担。
Pyhton3： 前面列出的大多数解决方案都可以使用。但是，在某些情况下，不需要数据帧的row_number，并且必须单独写入每一行（记录）。
在这种情况下，以下方法很有用。
import csv
my file= 'C:\Users\John\Desktop\export_dataframe.csv'
records_to_save = data2 #used as in the thread.
colnames = list[records_to_save[0].keys()]
# remember colnames is a list of all keys. All values are written corresponding
# to the keys and "None" is specified in case of missing value
with open(myfile, 'w', newline="",encoding="utf-8") as f:
writer = csv.writer(f)
writer.writerow(colnames)
for d in records_to_save:
writer.writerow([d.get(r, "None") for r in colnames])要将字典列表转换为pandas DataFrame，可以使用“ append”：
我们有一个叫做字典dic和DIC有30个列表项（list1，list2，... list30）
total_df）total_df与list1total_dftotal_df=list1
nums=Series(np.arange(start=2, stop=31))
for num in nums:
total_df=total_df.append(dic['list'+str(num)])DataFrame()，DataFrame.from_records()和.from_dict()？