本文介绍如何使用 ast.literal_eval 安全解析 dataframe 中形如 {key: [v1, v2, v3, v4]} 的字符串列，并将其高效拆分为独立的 id 列与数值列（t1–t4），适用于日志解析、api 响应预处理等场景。
在实际数据处理中，我们常遇到将嵌套结构以字符串形式存储于单列的情况（例如数据库导出或 API 返回的 JSON-like 字符串）。直接用 eval() 解析存在严重安全风险，而 ast.literal_eval() 是 Python 标准库提供的安全替代方案——它仅允许解析基本字面量（字典、列表、数字、字符串、布尔值和 None），拒绝执行任意代码，因此推荐在生产环境中使用。
以下是一个完整、可复现的解决方案：
import pandas as pd
from ast import literal_eval
# 示例原始数据
df = pd.DataFrame({
"column_A": [
"{827056812014862 : [0.05, 0.0608, 0.476464, 0.53535]}",
"{263746262748835 : [0.08, 0.0333, 0.8263, 0.9463]}",
"{63673738736362 : [0.05, 0.0926, 0.8694, 0.9903]}",
"{73737681201484 : [0.08, 0.0425, 0.1948, 0.3958]}"
]
})
# 步骤 1：安全解析字符串为字典
# 注意：原始字符串中 key 无引号，但 literal_eval 支持整数 key（只要语法合法）
parsed_dicts = df["column_A"].apply(literal_eval)
# 步骤 2：展开为扁平化记录列表
records = []
for d in parsed_dicts:
for key, values in d.items():
# 确保 values 是长度为 4 的列表（可根据实际调整）
if not isinstance(values, (list, tuple)) or len(values) != 4:
raise ValueError(f"Unexpected value format for key {key}: {values}")
records.append({
"id": key,
"t1": values[0],
"t2": values[1],
"t3": values[2],
"t4": values[3]
})
# 步骤 3：构建新 DataFrame
result = pd.DataFrame(records)
print(result)✅ 输出结果完全匹配预期：
id t1 t2 t3 t4 0 827056812014862 0.05 0.0608 0.476464 0.53535 1 263746262748835 0.08 0.0333 0.826300 0.94630 2 63673738736362 0.05 0.0926 0.869400 0.99030 3 73737681201484 0.08 0.0425 0.194800 0.39580
? 关键注意事项：
- 若原始字符串中 key 是字符串（如 {"827056812014862": [...]}），literal_eval 同样兼容；但若 key 缺少引号且含非法字符（如空格、小数点），则会报错——此时需先清洗字符串。
- 对于大规模数据，上述循环方式清晰易懂；若追求性能，可用 pd.json_normalize() 配合预处理，但前提是字符串能统一转为标准 JSON 格式（需补全引号等）。
- 建议始终添加类型与长度校验（如示例中的 isinstance 和 len(values) != 4），避免因脏数据导致静默错误或列错位。
该方法兼顾安全性、可读性与健壮性，是处理“伪字典字符串列”的工业级实践方案。
