Python 创建嵌套 JSON 结构详解

本文深入解析了如何在Python中高效构建符合业务需求的嵌套JSON结构——避开直接序列化DataFrame导致的TypeError陷阱，通过pandas的`to_dict(orient='records')`将多个DataFrame安全转换为原生Python字典列表，再组装成带自定义键名（如"StatusTimes"、"DtCount"）的嵌套字典，最终利用`json.dump()`生成格式清晰、支持中文、可直接用于API响应或系统集成的标准JSON文件，同时贴心提示类型兼容性处理与性能优化要点，让数据导出既稳健又专业。

本文详解如何使用 pandas 和标准 json 模块，将多个 DataFrame 转换为具有自定义键名的嵌套 JSON 对象，并写入格式化文件，避免常见序列化错误。

在数据处理流程中，常需将多个经过筛选或聚合的 pandas DataFrame 合并输出为一个结构清晰、语义明确的 JSON 文件（例如用于 API 响应、前端配置或跨系统数据交换）。但直接调用 df.to_json() 仅生成扁平数组字符串，无法满足嵌套对象（如 { "StatusTimes": [...], "DtCount": [...] }）的需求；而盲目使用 json.dumps() 对 DataFrame 对象操作则会触发 TypeError: Object of type DataFrame is not JSON serializable。

正确做法是：先将各 DataFrame 转为 Python 原生列表（含字典），再组装为嵌套字典结构，最后用 json.dump() 或 json.dumps() 序列化。核心在于使用 DataFrame.to_dict(orient='records') —— 它将每行转为一个字典，整体返回 list[dict]，完全兼容 JSON 标准。

以下为完整实现示例：

import pandas as pd
import json

# 示例数据（实际中来自你的过滤/计算逻辑）
df1 = 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}
])

df2 = 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}
])

# ✅ 正确构建嵌套 JSON 结构
nested_data = {
    "StatusTimes": df1.to_dict(orient="records"),
    "DtCount":     df2.to_dict(orient="records")
}

# 方式一：直接写入文件（紧凑格式）
with open("output.json", "w", encoding="utf-8") as f:
    json.dump(nested_data, f)

# 方式二：写入带缩进的美观格式（推荐调试与交付）
with open("output_pretty.json", "w", encoding="utf-8") as f:
    json.dump(nested_data, f, indent=4, ensure_ascii=False)

执行后，output_pretty.json 将生成符合预期的嵌套结构，且支持中文字符（ensure_ascii=False 防止 Unicode 转义）。

⚠️ 关键注意事项：

• ❌ 不要对 DataFrame 对象直接调用 json.dumps(df) —— 必报错；
• ✅ 务必使用 to_dict(orient='records')，而非 'dict'、'list' 等其他 orient 参数（它们返回非 JSON 兼容结构）；
• 若 DataFrame 含 datetime、numpy 类型（如 np.int64），建议预处理转换为原生类型：

  df1 = df1.astype({col: 'int64' for col in df1.select_dtypes('number').columns}).astype('int64')
  # 或更通用：df1 = df1.replace({np.nan: None}).applymap(lambda x: int(x) if isinstance(x, (np.integer, float)) and x.is_integer() else x)

• 对于大型 DataFrame，可考虑流式写入或分块处理以节省内存，但本方案在万级记录内性能优异。

总结：构建嵌套 JSON 的本质是“数据结构对齐”——确保输入为纯 Python 类型（list + dict + str/int/float/None），再交由 json 模块安全序列化。掌握 to_dict('records') 这一桥梁方法，即可灵活组合任意数量的 DataFrame，生成符合业务语义的标准化 JSON 输出。

理论要掌握，实操不能落！以上关于《Python 创建嵌套 JSON 结构详解》的详细介绍，大家都掌握了吧！如果想要继续提升自己的能力，那么就来关注golang学习网公众号吧！