Python 中构建嵌套 JSON 文件的完整教程-Python教程-PHP中文网

Python 中构建嵌套 JSON 文件的完整教程

本文介绍如何使用 pandas 和标准 json 模块，将多个 DataFrame 转换为结构清晰、字段命名明确的嵌套 JSON 对象，并写入格式化文件。核心在于避免直接拼接字符串或误用 to_json()，而应通过 to_dict('records') 构建字典结构再序列化。

本文介绍如何使用 pandas 和标准 json 模块，将多个 dataframe 转换为结构清晰、字段命名明确的嵌套 json 对象，并写入格式化文件。核心在于避免直接拼接字符串或误用 `to_json()`，而应通过 `to_dict('records')` 构建字典结构再序列化。

在数据处理与 API 对接场景中，常需将多个 Pandas DataFrame 整合为一个具有语义化键名（如 "StatusTimes"、"DtCount"）的嵌套 JSON 文件。直接调用 df.to_json() 仅能生成扁平数组，无法满足层级封装需求；而手动构造 JSON 字符串易出错且难以维护。正确做法是：先用 to_dict('records') 将每个 DataFrame 转为标准 Python 字典列表，再组合成嵌套字典，最后用 json.dump() 或 json.dumps() 序列化输出。

以下为完整实现步骤与示例代码：

✅ 正确构建嵌套 JSON 的推荐方式

假设你已准备好两个 DataFrame：df_status（含 time, x, y, z 列）和 df_dt（含 dt, count 列），可按如下方式构建目标结构：

361SCAN security check your skill python scripts

扫描并分析已安装技能，用于查看指定技能目录的名称、描述和详情，或列出所有已安装的技能。

下载

import pandas as pd
import json

# 示例数据（实际中替换为你自己的 DataFrame）
df_status = pd.DataFrame([
    {"time": 1677287760000, "x": 0.001, "y": 0.001, "z": 0.0},
    {"time": 1677632400000, "x": 0.0,   "y": 0.0,   "z": 0.0},
    {"time": 1677636000000, "x": 0.0,   "y": 0.0,   "z": 0.0},
    {"time": 1677639600000, "x": 0.0,   "y": 0.0,   "z": 0.0}
])

df_dt = pd.DataFrame([
    {"dt": 20, "count": 6},
    {"dt": 23, "count": 9},
    {"dt": 11, "count": 7},
    {"dt": 2,  "count": 16},
    {"dt": 17, "count": 1},
    {"dt": 20, "count": 6}
])

# ✅ 关键：使用 to_dict('records') 生成标准字典列表（非 JSON 字符串！）
nested_data = {
    "StatusTimes": df_status.to_dict('records'),
    "DtCount":     df_dt.to_dict('records')
}

# 写入格式化 JSON 文件（缩进 4 空格，中文不转义）
with open("output.json", "w", encoding="utf-8") as f:
    json.dump(nested_data, f, indent=4, ensure_ascii=False)

执行后，output.json 将生成完全符合预期的嵌套结构，包含可读性良好的缩进与换行。

⚠️ 常见误区与注意事项

❌ 不要对 to_json() 结果再解析：df.to_json() 返回字符串，若尝试 json.loads(df.to_json()) 再合并，不仅低效，还可能因 NaN/时间戳等类型导致序列化失败。
✅ to_dict('records') 是最佳桥梁：它保持原始数据类型（int, float, None → null），且输出为纯 Python list-of-dict，天然兼容 json.dump()。
编码与可读性：务必指定 encoding="utf-8" 并使用 ensure_ascii=False，避免中文乱码；indent=4 提升调试与协作可读性。
空 DataFrame 安全性：to_dict('records') 对空 DataFrame 返回 []，无需额外判空，结构依然合法。
扩展性提示：如需动态添加更多数据集（如 "Events"、"Metadata"），只需在 nested_data 字典中追加键值对即可，逻辑清晰、易于维护。