Python Pandas和Dictionary：将Dict转换为DataFrame，并将值中的内部键用作DataFrame列标题

我有以下字典：

{
 0: [{1: 0.0}, {2: 0.0}, {3: 0.0}, {4: 0.0}, {5: 0.0}, {6: 0.0}, {7: 0.0}, {8: 0.0}], 
 1: [{1: 0.0}, {2: 0.0}, {3: 0.0}, {4: 0.0}, {5: 0.0}, {6: 0.0}, {7: 0.0}, {8: 0.0}], 
 2: [{1: 0.21150571615476177}, {2: 0.20021993193784904}, {3: 0.24673408701244148}, {4: 0.26073319330403394}, {5: 0.0}, {6: 0.27012912297379343}, {7: 0.0}, {8: 0.0}], 
 3: [{1: 0.2786416467397351}, {2: 0.2006495239101905}, {3: 0.21600480247194567}, {4: 0.25724906204967557}, {5: 0.0}, {6: 0.26817162148227375}, {7: 0.0}, {8: 0.0}], 
 4: [{1: 0.2755030949011681}, {2: 0.20315735111595443}, {3: 0.21705903867972787}, {4: 0.2564000954604151}, {5: 0.0}, {6: 0.26903863724054405}, {7: 0.0}, {8: 0.0}], 
 5: [{1: 0.27334751895045045}, {2: 0.2012256178641117}, {3: 0.22266330432504813}, {4: 0.25925509529304697}, {6: 0.27562843736621906}], 
 6: [{1: 0.27739942084587565}, {2: 0.198682325880847}, {3: 0.2169017627591854}, {4: 0.25843774856843105}, {6: 0.26996683786070946}], 
 7: [{1: 0.2726461255684456}, {2: 0.19778567408338052}, {3: 0.2197858176643358}, {4: 0.26053721842016453}, {6: 0.26812789513005875}]
}  

如何将此字典转换为数据帧，并确保每个值中的内键都是对应行值的列标题？
请注意，在第5、6和7行中，缺少内部键5、7和8的值，这意味着我需要以下方式的数据帧：

          1         2         3         4         5         6    7    8
0  0.000000  0.000000  0.000000  0.000000  0.000000  0.000000  0.0  0.0
1  0.000000  0.000000  0.000000  0.000000  0.000000  0.000000  0.0  0.0
2  0.211651  0.202256  0.244509  0.256969  0.000000  0.275521  0.0  0.0
3  0.273670  0.199995  0.222494  0.256303  0.000000  0.275037  0.0  0.0
4  0.280948  0.200235  0.218654  0.256737  0.000000  0.276424  0.0  0.0
5  0.281718  0.197531  0.217461  0.256043       NaN  0.271181  NaN  NaN
6  0.279024  0.200089  0.218020  0.261419       NaN  0.272113  NaN  NaN
7  0.278222  0.203448  0.219254  0.261846       NaN  0.269600  NaN  NaN  

（这些值是任意的，它们是什么并不重要）。
除了我知道使用

pd.to_CSV（）

感谢您的帮助。提前感谢。
（使用Ubuntu 14.04 32位虚拟机和Python 2.7）

p.S.一个类似的问题没有得到回答，因为它让其他用户因为没有正确地构建句子而感到困惑。它已被删除。
我希望这个问题清楚而准确。

使用列表理解，然后按第二级对所有列进行小规模的汇总，将所有非

NaN

s列连接起来：

df = pd.concat({k: pd.DataFrame(v) for k,v in d.items()}, 1).stack().T.sum(level=1, axis=1)
print (df)
          1         2         3         4    5         6    7    8
0  0.000000  0.000000  0.000000  0.000000  0.0  0.000000  0.0  0.0
1  0.000000  0.000000  0.000000  0.000000  0.0  0.000000  0.0  0.0
2  0.211506  0.200220  0.246734  0.260733  0.0  0.270129  0.0  0.0
3  0.278642  0.200650  0.216005  0.257249  0.0  0.268172  0.0  0.0
4  0.275503  0.203157  0.217059  0.256400  0.0  0.269039  0.0  0.0
5  0.273348  0.201226  0.222663  0.259255  NaN  0.275628  NaN  NaN
6  0.277399  0.198682  0.216902  0.258438  NaN  0.269967  NaN  NaN
7  0.272646  0.197786  0.219786  0.260537  NaN  0.268128  NaN  NaN

详情：

print (pd.concat({k: pd.DataFrame(v) for k,v in d.items()}, 1).stack().T)
          0         1         2         3    4                   5    6    7
          1         2         3         4    5         6         6    7    8
0  0.000000  0.000000  0.000000  0.000000  0.0       NaN  0.000000  0.0  0.0
1  0.000000  0.000000  0.000000  0.000000  0.0       NaN  0.000000  0.0  0.0
2  0.211506  0.200220  0.246734  0.260733  0.0       NaN  0.270129  0.0  0.0
3  0.278642  0.200650  0.216005  0.257249  0.0       NaN  0.268172  0.0  0.0
4  0.275503  0.203157  0.217059  0.256400  0.0       NaN  0.269039  0.0  0.0
5  0.273348  0.201226  0.222663  0.259255  NaN  0.275628       NaN  NaN  NaN
6  0.277399  0.198682  0.216902  0.258438  NaN  0.269967       NaN  NaN  NaN
7  0.272646  0.197786  0.219786  0.260537  NaN  0.268128       NaN  NaN  NaN

---

终于，我得到了我想要的。非常感谢@jezrael