本文介绍如何将形如 {ticker: [dict, dict, ...]} 的嵌套字典结构高效转换为 Pandas DataFrame，并自动将顶层键（如股票代码）作为新列（如 'tick'）注入每行数据。
本文介绍如何将形如 `{ticker: [dict, dict, ...]}` 的嵌套字典结构高效转换为 pandas dataframe，并自动将顶层键（如股票代码）作为新列（如 `'tick'`）注入每行数据。
在金融或时间序列数据处理中，常遇到以股票代码（如 'NVDA', 'MSFT'）为键、对应多个行情记录（字典列表）为值的嵌套结构。目标是将其展平为标准二维表格，其中每行包含原始字段（'open', 'high', 'low', 'close'）外加一个标识列（如 'tick'），便于后续分组分析、可视化或建模。
最简洁高效的实现方式是使用列表推导式配合字典解包（**v），一次性构造出 pd.DataFrame 可直接解析的字典列表：
import pandas as pd
df = pd.DataFrame([
{"tick": ticker, **record}
for ticker, records in data.items()
for record in records
])
✅ 关键说明：
- 外层循环
for ticker, records in data.items()遍历顶层键值对； - 内层循环
for record in records展开每个股票对应的字典列表； -
{"tick": ticker, **record}将股票代码作为新键注入每个记录字典，确保字段对齐； -
pd.DataFrame(...)直接接收该字典列表，自动推断列名并填充数据。
⚠️ 注意事项：
- 所有子字典必须具有完全一致的键集（如均含
'open','high','low','close'），否则缺失字段将被填充为NaN； - 若数据量极大（如百万级记录），该方法会生成中间列表，占用额外内存；此时可考虑
pd.concat()分块构建或使用polars等更省内存的替代方案； - 列名
"tick"可按需替换为"symbol"、"stock"等语义化名称，保持与业务上下文一致。
最终生成的 df 具有清晰的长格式结构，天然支持 df.groupby('tick')、df.pivot_table(..., columns='tick') 等操作，是进行多资产横向对比分析的理想输入格式。
