本文介绍如何在 pandas 中读取 csv 数据后，将其与自定义元数据字典（如时间戳、消息计数等）合并，并导出为结构清晰、符合业务需求的嵌套 json 文件。
本文介绍如何在 pandas 中读取 csv 数据后，将其与自定义元数据字典（如时间戳、消息计数等）合并，并导出为结构清晰、符合业务需求的嵌套 json 文件。
在实际数据处理流程中，常需将结构化 CSV 数据转换为 JSON 格式并附加全局元信息（例如采集时间、记录总数、版本标识等），以满足 API 接口、日志归档或下游系统解析要求。Pandas 提供了高效的数据加载与转换能力，但其原生 to_json() 方法不支持直接注入顶层字段——此时需结合 Python 标准库 json 模块，手动构建最终 JSON 对象。
核心思路是：先将 DataFrame 转为 Python 字典列表（orient='records'），再将其作为值赋给自定义头部字典中的指定键（如 "track"），最后统一序列化为 JSON。该方法完全兼容 Pandas 工作流，且保留原始数据类型（如 float、int、str）的自然映射。
以下为完整实现步骤：
-
读取 CSV 并预处理（注意分隔符与编码）：
import pandas as pd
csv_path = "Mypath" df = pd.read_csv(csv_path, sep=";", header=0, skiprows=0)
可选：检查数据类型是否合理，必要时显式转换
df['Param2'] = df['Param2'].astype(str) # 若需强制字符串
2. **定义头部元数据字典**：
```python
headlines = {
"now": 1636008051.9,
"messages": len(df), # 动态计算记录数更健壮
}
-
合并数据并导出 JSON 文件：
import json
将 DataFrame 转为字典列表，并挂载到 headlines 下
headlines["track"] = df.to_dict(orient="records")
写入文件（推荐使用 indent 提升可读性）
output_path = "result.json" with open(output_path, "w", encoding="utf-8") as f: json.dump(headlines, f, indent=2, ensure_ascii=False)
print(f"✅ JSON 文件已生成：{output_path}")
> ⚠️ 注意事项： > - 使用 `df.to_dict(orient='records')` 而非 `df.to_json(..., orient='records')`，因为后者返回字符串，无法直接嵌入字典； > - `json.dump()` 默认使用 ASCII 编码，若 CSV 含中文等 Unicode 字符，务必添加 `ensure_ascii=False` 参数； > - `len(df)` 替代硬编码 `6236`，确保 `messages` 字段与实际行数一致； > - 若需控制浮点精度（如 `altitude` 保留小数位），可在 `to_dict()` 前对列做 `round()` 处理，或使用 `json.dumps(..., default=str)` 配合自定义序列化器。 此方案简洁、可靠，且完全复用已有 Pandas DataFrame，无需额外依赖。生成的 JSON 结构清晰、层级明确，可直接被 JavaScript、Java 或其他语言解析器消费，适用于物联网轨迹上报、航空ADS-B数据封装等典型场景。
