DataFrame.to_dict() 方法代码实例、

可以通过以下代码将 DataFrame 转换为字典：

import pandas as pd

# 创建 DataFrame
df = pd.DataFrame({'col1': [1, 2, 3], 'col2': ['A', 'B', 'C']})

# 将 DataFrame 转换为字典
df_dict = df.to_dict()
print(df_dict)

输出结果如下：

{'col1': {0: 1, 1: 2, 2: 3}, 'col2': {0: 'A', 1: 'B', 2: 'C'}}

需要注意的是，to_dict() 方法默认返回的字典格式为列名为键，每列数据为值的嵌套字典。如果要将行名也包括在字典中，可以使用 orient='index' 参数：

df_dict = df.to_dict(orient='index')
print(df_dict)

输出结果如下：

{0: {'col1': 1, 'col2': 'A'}, 1: {'col1': 2, 'col2': 'B'}, 2: {'col1': 3, 'col2': 'C'}}

希望可以解决您的问题。

相关问题

plots = attachment1[['地块名称', '地块类型', '地块面积/亩 ']].to_dict('records')

`plots` 是一个DataFrame的实例，它通过 `attachment1` 数据框选择了三列：'地块名称'，'地块类型' 和 '地块面积/亩'。`to_dict('records')` 方法将这个子集转换成一个Python字典列表（每个字典对应一行数据），其中键是列名，值是相应的单元格值。

举个例子，假设`attachment1`的数据如下：

| 地块名称 | 地块类型 | 地块面积/亩 |
| --- | --- | --- |
| A区 | 商业 | 100 |
| B区 | 住宅 | 200 |
| C区 | 工业 | 300 |

那么，`plots` 变量将会是：

[
    {'地块名称': 'A区', '地块类型': '商业', '地块面积/亩': 100},
    {'地块名称': 'B区', '地块类型': '住宅', '地块面积/亩': 200},
    {'地块名称': 'C区', '地块类型': '工业', '地块面积/亩': 300}
]

你可以遍历这个列表来访问特定地块的信息，例如找到面积最大的地块：

max_area_plot = max(plots, key=lambda x: x['地块面积/亩'])
print(f"面积最大的地块是 {max_area_plot['地块名称']}，面积为 {max_area_plot['地块面积/亩']}/亩")

def get_all_file_info(cls, folder_id, df, ft): print(folder_id) cls.params["folderId"] = folder_id res = requests.get(url=cls.url, params=cls.params) js_data = json.loads(res.text)["data"] js_data_FoldersInfo: list[dict] = js_data["FoldersInfo"] js_data_FilesInfo: list[dict] = js_data["FilesInfo"] df = pd.concat([pd.DataFrame(js_data_FilesInfo), df], axis=0) ft = pd.concat([pd.DataFrame(js_data_FoldersInfo), ft], axis=0) if not js_data_FoldersInfo: return df, ft for _folder_id in pd.DataFrame(js_data_FoldersInfo).FolderId: df, ft = cls.get_all_file_info(_folder_id, df, ft) return df, ft 优化这段代码

这段代码可能存在一些可优化的地方，以下是一些可能的建议：

1. 使用适当的命名规则和注释，以提高代码可读性。
2. 尽可能避免使用递归函数，因为递归消耗大量的内存和 CPU 资源，可能导致堆栈溢出等问题。可以尝试使用迭代方式处理。
3. 避免多次使用 pd.DataFrame()，可以将列表先转换为 DataFrame，然后再使用 pd.concat() 进行合并。
4. 尽可能使用列表推导式等 Pythonic 的方法进行数据处理，以提高代码效率和可读性。

下面是一种可能的优化方案：

def get_all_file_info(cls, folder_id, df, ft):
    """
    获取指定文件夹及其子文件夹中的所有文件和文件夹信息
    :param cls: 类实例
    :param folder_id: 文件夹 ID
    :param df: 文件信息 DataFrame
    :param ft: 文件夹信息 DataFrame
    :return: 文件信息 DataFrame 和文件夹信息 DataFrame
    """
    cls.params["folderId"] = folder_id
    res = requests.get(url=cls.url, params=cls.params)
    js_data = json.loads(res.text)["data"]
    js_data_folders: list[dict] = js_data["FoldersInfo"]
    js_data_files: list[dict] = js_data["FilesInfo"]

    df = pd.concat([df, pd.DataFrame(js_data_files)], axis=0)
    ft = pd.concat([ft, pd.DataFrame(js_data_folders)], axis=0)

    folders_to_process = js_data_folders.copy()
    while folders_to_process:
        folder_id = folders_to_process.pop(0)["FolderId"]
        cls.params["folderId"] = folder_id
        res = requests.get(url=cls.url, params=cls.params)
        js_data = json.loads(res.text)["data"]
        js_data_folders: list[dict] = js_data["FoldersInfo"]
        js_data_files: list[dict] = js_data["FilesInfo"]

        df = pd.concat([df, pd.DataFrame(js_data_files)], axis=0)
        ft = pd.concat([ft, pd.DataFrame(js_data_folders)], axis=0)
        folders_to_process.extend(js_data_folders)

    return df, ft

这个优化方案使用了一个 while 循环来遍历所有的文件夹，而不是使用递归函数。同时，使用了列表推导式和 copy() 方法来简化代码。