最常用做法是df.to_dict(orient="records")，将每行转为字典并组成列表；误用orient="dict"或"list"会返回列名映射结构；含nan时对应值为np.nan，可先fillna；性能优于逐行转换；按某列作key需先set_index再to_dict(orient="index")，注意重复索引会覆盖。
用 to_dict(orient="records") 直接转多列 DataFrame 为字典列表
这是最常用也最符合直觉的做法：把每一行变成一个字典，所有行组成列表。只要 DataFrame 里没有嵌套结构或不可哈希类型（比如 list、dict 本身），就能直接用。
常见错误是误用 orient="dict" 或 orient="list"，它们返回的是「列名 → 值序列」结构，不是你想要的「每行一个字典」。
-
df.to_dict(orient="records")返回[{"col1": val1, "col2": val2}, ...] - 如果某列含
NaN，对应字典中该键值会是np.nan；需清洗可配合df.fillna(...).to_dict(...) - 性能上，
orient="records"比循环df.iloc[i].to_dict()快得多，尤其数据量 > 1k 行时明显
想按某列为 key 构造字典？用 set_index().to_dict(orient="index")
比如你有一列叫 "id"，想让每个 id 对应它所在行的其余字段，就得先设索引再转。
容易踩的坑是忘记重置索引或没处理重复 id：Pandas 遇到重复索引会静默覆盖，只保留最后一个。
- 正确写法：
df.set_index("id").to_dict(orient="index")→{"id1": {"col2": x, "col3": y}, ...} - 若
"id"有重复，先用df.drop_duplicates(subset=["id"], keep="first")显式控制 -
orient="index"的 value 是Series，不是纯 dict；如需纯字典，加.apply(dict)：df.set_index("id").to_dict(orient="index").apply(dict)
只转特定几列？先用 df[["col_a", "col_b"]] 切片再转
别在 to_dict() 之后再删键，效率低还易出错。Pandas 支持链式切片，干净又安全。
注意列名必须存在，否则报 KeyError；若列名可能缺失，用 df.reindex(columns=["col_a", "col_b"], fill_value=None) 更鲁棒。
- 示例：
df[["name", "score"]].to_dict(orient="records") - 如果某列是
datetime64类型，默认转成Timestamp对象；要字符串可用df["col"].dt.strftime("%Y-%m-%d")预处理 - 布尔列转字典后仍是
True/False，不会变"True"字符串 —— 这点常被 JSON 序列化时忽略，导致前端解析失败
遇到 TypeError: unhashable type: 'list' 怎么办？
这说明某列里存了 list、dict 或其他不可哈希对象，to_dict() 内部尝试构造字典时崩了。Pandas 不拒绝这种数据，但转字典时暴露问题。
根本原因不是语法错，而是数据本身不满足字典 key/value 的基本要求（value 可以是 list，但列里若混了 list 和 scalar 就可能触发内部逻辑异常）。
- 快速检查：
df.applymap(type).nunique()看每列是否类型混杂 - 临时绕过：用
df.astype(str).to_dict(orient="records")强制全转字符串（仅调试用） - 正解是清洗：对问题列用
df["col"] = df["col"].apply(lambda x: x if isinstance(x, (str, int, float)) else str(x))
to_dict(orient="records") 就够了。真正麻烦的是那些隐性类型混杂、空值语义模糊、或需要和 JSON/前端深度对接的场景——这些地方不打日志、不看 df.dtypes 和 df.iloc[0].apply(type)，很容易卡半天。Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
