本文介绍如何将 Pandas DataFrame 中包含变长列表的单列（如 result）安全、高效地展开为多个命名规范的数值列，自动对齐并用 NaN 填充缺失位置。
本文介绍如何将 pandas dataframe 中包含变长列表的单列（如 `result`）安全、高效地展开为多个命名规范的数值列，自动对齐并用 `nan` 填充缺失位置。
在实际数据分析中，常遇到某列存储的是 Python 列表（如模型预测结果、多标签分类输出或时间序列片段），且各列表长度不一致。直接使用 df['col'].str.split() 或 pd.Series.str 方法会失败，因为这些方法要求结构化字符串而非嵌套列表。正确做法是利用 pd.DataFrame() 构造器直接解析列表序列——它天然支持“不规则长度”，会自动以 NaN 补齐短列表，生成规整的二维数组。
以下是完整实现步骤：
1. 构造示例数据
import pandas as pd
data = {
"ID": [1, 2, 3],
"result": [[0.1, 0.5], [0.4, -0.2, -0.3, 0.1, 0], [0, 0.1, 0.6]]
}
df = pd.DataFrame(data)
2. 拆分并重命名列
# 将 result 列转为 DataFrame，并重命名列为 result_1, result_2, ...
expanded = pd.DataFrame(df['result'].tolist())
renamed = expanded.rename(columns=lambda x: f'result_{x + 1}')
# 与原始 ID 列合并
result_df = df[['ID']].join(renamed)
print(result_df)
输出：
ID result_1 result_2 result_3 result_4 result_5 0 1 0.1 0.5 NaN NaN NaN 1 2 0.4 -0.2 -0.3 0.1 0.0 2 3 0.0 0.1 0.6 NaN NaN
✅ 关键说明：
-
df['result'].tolist()将 Series 转为 Python 列表（如[[0.1,0.5], [...], [...]]），这是pd.DataFrame()可直接解析的格式； -
rename(columns=lambda x: f'result_{x+1}')实现从 0 基索引到 1 基命名（如0→result_1），语义更清晰； -
join()确保原始索引和非列表列（如ID）完整保留，避免concat()可能引发的索引错位风险。
⚠️ 注意事项：
- 若列表中含非标量类型（如嵌套字典、
None或混合类型），pd.DataFrame()可能触发 dtype 推断警告，建议提前清洗； - 对超大列表（如万级元素），此方法内存友好性优于
apply(pd.Series)（后者会创建大量中间 Series 对象）； - 如需限制最大列数（例如只取前 10 个元素），可在
tolist()后添加预处理：[lst[:10] for lst in df['result']]。
该方法简洁、向量化、无循环，是处理变长列表列的标准实践。
