我应该使用什么python数据结构来存储多维fantasy football d

Question

我有一份名单，里面有大约600名足球运动员的资料。列表中的每个玩家都存储为一个字典，每个属性都作为示例存储

{'goals scored': 5}

在字典里作为整个赛季球员的统计数据。 然而，在每个玩家字典中也有一个嵌套列表，其键名为history，其中包含玩家的各个游戏数据，因此：

^{pr2}$

列表中的每个元素都包含另一个包含该游戏玩家统计信息的字典。在

我最感兴趣的是提取单个游戏玩家的数据，并可能对玩家进行一些分析。然而，为了做到这一点，我需要一个坚实的数据结构来提取每个游戏的统计信息，同时保留玩家ID：一个字典列表，其中的键是玩家ID，值是包含该游戏玩家统计数据字典的各个游戏的列表。然而，我不确定这是否能很好地转化为pandas数据帧，这也是我最想进行分析的地方。在

有人对python库/数据结构有什么建议吗？这些库/数据结构适用于多维数据，比如这里描述的多维数据（维度是1）个人玩家ID 2）个人游戏周ID和3）个人游戏统计数据）。在

编辑：示例球员数据：第一个字典包含本赛季的整体数据，然后在“历史”键下，我们有一个所有单独游戏的列表，其中一个字典包含了每一场比赛的统计数据。在

{u'assists': 0,
 u'bonus': 0,
 u'bps': 0,
 u'creativity': u'0.0',
 u'dreamteam_count': 0,
 u'ea_index': 56,
 u'element_type': 1,
 u'ep_next': u'0.5',
 u'ep_this': u'1.5',
 u'event_points': 0,
 u'first_name': u'David',
 u'form': u'0.0',
 u'goals_conceded': 0,
 u'goals_scored': 0,
 u'id:0,
 u'history: 
#single game data ( there are multiple games)
[{u'assists': 0,
    u'attempted_passes': 0,
    u'big_chances_created': 0,
    u'big_chances_missed': 0,
    u'bonus': 0,
    u'bps': 0,
    u'clean_sheets': 0,
    u'clearances_blocks_interceptions': 0,
    u'completed_passes': 0,
    u'creativity': u'0.0',
    u'dribbles': 0,
    u'ea_index': 0,
    u'element': 1,
    u'errors_leading_to_goal': 0,
    u'errors_leading_to_goal_attempt': 0,
    u'fixture': 31,
    u'fouls': 0,
    u'goals_conceded': 0,
    u'goals_scored': 0,
    u'ict_index': u'0.0',
    u'id': 1616,
    u'influence': u'0.0',
    u'key_passes': 0,
    u'kickoff_time': u'2016-09-10T14:00:00Z',
    u'kickoff_time_formatted': u'10 Sep 15:00',
    u'loaned_in': 0,
    u'loaned_out': 0,
    u'minutes': 0,
    u'offside': 0,
    u'open_play_crosses': 0,
    u'opponent_team': 13,
    u'own_goals': 0,
    u'penalties_conceded': 0,
    u'penalties_missed': 0,
    u'penalties_saved': 0,
    u'recoveries': 0,
    u'red_cards': 0,
    u'round': 4,
    u'saves': 0,
    u'selected': 8072,
    u'tackled': 0,
    u'tackles': 0,
    u'target_missed': 0,
    u'team_a_score': 1,
    u'team_h_score': 2,
    u'threat': u'0.0',
    u'total_points': 0,
    u'transfers_balance': -449,
    u'transfers_in': 183,
    u'transfers_out': 632,
    u'value': 49,
    u'was_home': True,
    u'winning_goals': 0,
    u'yellow_cards': 0}, ... next game data]

Answer 1

"However I'm not sure whether this will translate well into a pandas dataframe, which is ultimately where I would like to perform most of my analysis."

参见： http://pandas.pydata.org/pandas-docs/version/0.17.0/generated/pandas.io.json.json_normalize.html