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 与数值列（如 id、t1–t4），避免 eval() 的安全风险，适用于日志、api 响应等场景下的非标准 json 数据清洗。
在实际数据处理中，我们常遇到存储为字符串的类字典结构（例如数据库导出或 API 返回的非标准 JSON 字段），如 "{827056812014862: [0.05, 0.0608, 0.476464, 0.53535]}"。这类数据无法直接用 pd.json_normalize() 解析，且使用 eval() 存在严重安全风险。推荐方案是借助 Python 标准库中的 ast.literal_eval ——它仅允许解析基础字面量（数字、字符串、元组、列表、字典、布尔值和 None），可安全反序列化可信但非标准的字符串字典。
以下为完整实现步骤：
✅ 第一步：导入必要模块
import pandas as pd from ast import literal_eval
✅ 第二步：构造示例数据
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]}"
]
})✅ 第三步：解析并展开为结构化 DataFrame
out = []
for d in df["column_A"].apply(literal_eval):
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}")
out.append({
"id": key,
"t1": values[0],
"t2": values[1],
"t3": values[2],
"t4": values[3]
})
result = pd.DataFrame(out)
print(result)输出结果严格匹配预期：
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：
- ✅ 永远避免 eval()：literal_eval 是唯一安全替代方案，防止任意代码执行；
- ⚠️ 健壮性增强建议：生产环境应添加异常捕获（如 try/except）和空值/格式校验；
- ? 灵活扩展：若列表长度不固定，可用 **{f"t{i}": v for i, v in enumerate(values, 1)} 动态生成列名；
- ? 性能提示：对超大数据集，可改用 pd.json_normalize() 配合预处理（如正则提取 + json.loads），或向量化 apply + pd.Series（需确保结构统一）。
该方法简洁、安全、可维护，是处理“伪字典字符串”列的标准实践。
