python 生成字典嵌套的 json代码

　　最近写脚本用到Python，在网上看到了很多关于如何解析多层嵌套的，但是如何生成一个嵌套的map还是需要看一些python的语法。 
目的：生成{1: {‘errors’: {0: ‘d:\helloworld’, 1: ‘d:\dict’}, ‘os’: ‘windows’, ‘type’: 2}}这样的多层嵌套的数据。 
d1={} 
d1.setdefault(1,{})[errors]={}

用同样的方式设置下一侧的嵌套 
temp = d1[1] 
temp.setdefault(‘errors’,{})[error_len]=’d:\helloworld’

d1.setdefault(key,{})[‘os’]=’windows’

d1.setdefault(key,{})[‘type’]=2

OK，这样就可以生成想要的格式的数据了。

原数据样式：

　　date,　　fund_code,　　fundnav,　　net_value,　　ticker,　　position,　　stock_to_nav_rate,　　price

2016-02-29,　　a,     173674845.18, 　　0.863,　　　　002131,   448128,　　　　0.0376719426075725,　　14.6
2016-02-29,　　b,     173674845.18,　　0.863,　　　　002312,　　127400,　　　　0.01679840276797879,　　22.9
2016-02-29,　　a,　　　173674845.18,　　0.863,　　   300038,　　　16900,　　　　　0.00551543315905779,  56.68

def get_fund_data(path):
    fund = pd.read_csv(path, dtype='str')

    fund_data_date = {}
    stock_to_nav_rates = []
    stocks = {}
    net_values = {}
    for index, row in fund.iterrows():
        date = row['date']
        # if date not in days:
        #     nav_rate_data = {}
        #     fund_data = {}
        #     fund_code_data = {}

        ticker = row['ticker']
        stock_to_nav_rate = float(row['price'])*float(row['position'])/float(row['fundnav'])
        stock_to_nav_rates.append(stock_to_nav_rate)

        fund_code = row['fund_code']
        net_value = row['net_value']

        fund_data_date.setdefault(date, {}).setdefault(fund_code, {})['net_value'] = net_value
        fund_data_date.setdefault(date, {}).setdefault(fund_code, {}).setdefault('stocks', {})[ticker] = stock_to_nav_rate

    #print('checks',checks)
    df = pd.read_csv(path,dtype = 'str')
    df['stock_to_nav_rate']=stock_to_nav_rates
    print('stock_to_nav_rates',stock_to_nav_rates)
    df.to_csv(path,index=False)
    print('stock_to_nav_rates',df)
    return fund_data_date
# fund_data_date:
# {
#     '20160301': {
#         'a': {
#             'stocks': {
#                 '002131': '0.0379171984'
#             },
#             'net_value': '0.863'
#         },
#         'b': {
#             'stocks': {
#                 '600600': '0.0059126488',
#                 '000063': '0.0047433996',
#                 '002773': '0.0091912366',
#                 '600276': '0.1375525227'
#             },
#             'net_value': '0.995'
#         }
#     },
#     '20160302': {
#         'a': {
#             'stocks': {
#                 '002131': '0.0396483171'
#             },
#             'net_value': '0.864'
#         },
#         'b': {
#             'stocks': {
#                 '600600': '0.0061313204',
#                 '000063': '0.0050591882',
#                 '002773': '0.0094754688',
#                 '600276': '0.1404317134'
#             },
#             'net_value': '0.999'
#         }
#     }
# }