亚洲乱码中文字幕综合,中国熟女仑乱hd,亚洲精品乱拍国产一区二区三区,一本大道卡一卡二卡三乱码全集资源,又粗又黄又硬又爽的免费视频

Pandas JSON的處理使用

 更新時間：2025年02月13日 09:28:14   作者：游王子og  
Pandas提供了強大的方法來處理JSON格式的數(shù)據(jù),本文就來介紹一下Pandas JSON的處理使用,具有一定的參考價值,感興趣的可以了解一下

JSON（JavaScript Object Notation，JavaScript 對象表示法），是存儲和交換文本信息的語法，類似 XML。JSON 比 XML 更小、更快，更易解析。Pandas 提供了強大的方法來處理 JSON 格式的數(shù)據(jù)，支持從 JSON 文件或字符串中讀取數(shù)據(jù)并將其轉換為 DataFrame，以及將 DataFrame 轉換回 JSON 格式。

操作方法說明
從 JSON 文件/字符串讀取數(shù)據(jù)pd.read_json()從 JSON 數(shù)據(jù)中讀取并加載為 DataFrame
將 DataFrame 轉換為 JSONDataFrame.to_json()將 DataFrame 轉換為 JSON 格式的數(shù)據(jù)，可以指定結構化方式
支持 JSON 結構化方式orient 參數(shù)支持多種結構化方式，如 split、records、columns

Pandas 可以很方便的處理 JSON 數(shù)據(jù)，本文以 sites.json 為例，內容如下：

[
  {
    "id": "A001",
    "name": "bing",
    "url": "www.bing.com",
    "likes": 61
  },
  {
    "id": "A002",
    "name": "Google",
    "url": "www.google.com",
    "likes": 124
  },
  {
    "id": "A003",
    "name": "淘寶",
    "url": "www.taobao.com",
    "likes": 45
  }
]

1 從 JSON 文件/字符串加載數(shù)據(jù)

1.1 pd.read_json() - 讀取 JSON 數(shù)據(jù)

read_json() 用于從 JSON 格式的數(shù)據(jù)中讀取并加載為一個 DataFrame。它支持從 JSON 文件、JSON 字符串或 JSON 網(wǎng)址中加載數(shù)據(jù)。

df = pd.read_json(
    path_or_buffer,      # JSON 文件路徑、JSON 字符串或 URL
    orient=None,         # JSON 數(shù)據(jù)的結構方式，默認是 'columns'
    dtype=None,          # 強制指定列的數(shù)據(jù)類型
    convert_axes=True,   # 是否轉換行列索引
    convert_dates=True,  # 是否將日期解析為日期類型
    keep_default_na=True # 是否保留默認的缺失值標記
)
參數(shù)說明默認值
path_or_bufferJSON 文件的路徑、JSON 字符串或 URL必需參數(shù)
orient定義 JSON 數(shù)據(jù)的格式方式。常見值有 split、records、index、columns、values。None（根據(jù)文件自動推斷）
dtype強制指定列的數(shù)據(jù)類型None
convert_axes是否將軸轉換為合適的數(shù)據(jù)類型True
convert_dates是否將日期解析為日期類型True
keep_default_na是否保留默認的缺失值標記（如 NaN）True

常見的 orient 參數(shù)選項:

orient 值JSON 格式示例描述
split{"index":["a","b"],"columns":["A","B"],"data":[[1,2],[3,4]]}使用鍵 index、columns 和 data 結構
records[{"A":1,"B":2},{"A":3,"B":4}]每個記錄是一個字典，表示一行數(shù)據(jù)
index{"a":{"A":1,"B":2},"b":{"A":3,"B":4}}使用索引為鍵，值為字典的方式
columns{"A":{"a":1,"b":3},"B":{"a":2,"b":4}}使用列名為鍵，值為字典的方式
values[[1,2],[3,4]]只返回數(shù)據(jù)，不包括索引和列名

從 JSON 文件加載數(shù)據(jù)，to_string() 用于返回 DataFrame 類型的數(shù)據(jù)，我們也可以直接處理 JSON 字符串。

import pandas as pd

df = pd.read_json('sites.json')

print(df.to_string())

JSON 對象與 Python 字典具有相同的格式，所以我們可以直接將 Python 字典轉化為 DataFrame 數(shù)據(jù)：

import pandas as pd

# 字典格式的 JSON
s = {
    "col1": {"row1": 1, "row2": 2, "row3": 3},
    "col2": {"row1": "x", "row2": "y", "row3": "z"}
}

# 讀取 JSON 轉為 DataFrame
df = pd.DataFrame(s)
print(df)

從 JSON 字符串加載數(shù)據(jù)：

from io import StringIO

import pandas as pd

# JSON 字符串
json_data = '''
[
  {"Name": "Alice", "Age": 25, "City": "New York"},
  {"Name": "Bob", "Age": 30, "City": "Los Angeles"},
  {"Name": "Charlie", "Age": 35, "City": "Chicago"}
]
'''

# 從 JSON 字符串讀取數(shù)據(jù)
df = pd.read_json(StringIO(json_data))

print(df)

1.2 內嵌的 JSON 數(shù)據(jù)

假設有一組內嵌的 JSON 數(shù)據(jù)文件 nested_list.json ：

{
    "school_name": "ABC primary school",
    "class": "Year 1",
    "students": [
    {
        "id": "A001",
        "name": "Tom",
        "math": 60,
        "physics": 66,
        "chemistry": 61
    },
    {
        "id": "A002",
        "name": "James",
        "math": 89,
        "physics": 76,
        "chemistry": 51
    },
    {
        "id": "A003",
        "name": "Jenny",
        "math": 79,
        "physics": 90,
        "chemistry": 78
    }]
}

使用以下代碼格式化完整內容：

import pandas as pd

df = pd.read_json('nested_list.json')

print(df)

這時我們就需要使用到 json_normalize() 方法將內嵌的數(shù)據(jù)完整的解析出來：

import pandas as pd
import json

# 使用 Python JSON 模塊載入數(shù)據(jù)
with open('nested_list.json', 'r') as f:
    data = json.loads(f.read())

# 展平數(shù)據(jù)
df_nested_list = pd.json_normalize(data, record_path=['students'])
print(df_nested_list)

data = json.loads(f.read()) 使用 Python JSON 模塊載入數(shù)據(jù)。json_normalize() 使用了參數(shù) record_path 并設置為 ['students'] 用于展開內嵌的 JSON 數(shù)據(jù) students。顯示結果還沒有包含 school_name 和 class 元素，如果需要展示出來可以使用 meta 參數(shù)來顯示這些元數(shù)據(jù)：

import pandas as pd
import json

# 使用 Python JSON 模塊載入數(shù)據(jù)
with open('nested_list.json', 'r') as f:
    data = json.loads(f.read())

# 展平數(shù)據(jù)
df_nested_list = pd.json_normalize(
    data,
    record_path=['students'],
    meta=['school_name', 'class']
)
print(df_nested_list)

接下來嘗試讀取更復雜的 JSON 數(shù)據(jù)，該數(shù)據(jù)嵌套了列表和字典，數(shù)據(jù)文件 nested_mix.json 如下：

{
  "school_name": "local primary school",
  "class": "Year 1",
  "info": {
    "president": "John Kasich",
    "address": "ABC road, London, UK",
    "contacts": {
      "email": "admin@e.com",
      "tel": "123456789"
    }
  },
  "students": [
    {
      "id": "A001",
      "name": "Tom",
      "math": 60,
      "physics": 66,
      "chemistry": 61
    },
    {
      "id": "A002",
      "name": "James",
      "math": 89,
      "physics": 76,
      "chemistry": 51
    },
    {
      "id": "A003",
      "name": "Jenny",
      "math": 79,
      "physics": 90,
      "chemistry": 78
    }
  ]
}

nested_mix.json 文件轉換為 DataFrame：

import pandas as pd
import json

# 使用 Python JSON 模塊載入數(shù)據(jù)
with open('nested_mix.json', 'r') as f:
    data = json.loads(f.read())

df = pd.json_normalize(
    data,
    record_path=['students'],
    meta=[
        'class',
        ['info', 'president'],
        ['info', 'contacts', 'tel']
    ]
)

print(df)

1.3 讀取內嵌數(shù)據(jù)中的一組數(shù)據(jù)

以下是實例文件 nested_deep.json，我們只讀取內嵌中的 math 字段：

{
  "school_name": "local primary school",
  "class": "Year 1",
  "students": [
    {
      "id": "A001",
      "name": "Tom",
      "grade": {
        "math": 60,
        "physics": 66,
        "chemistry": 61
      }
    },
    {
      "id": "A002",
      "name": "James",
      "grade": {
        "math": 89,
        "physics": 76,
        "chemistry": 51
      }
    },
    {
      "id": "A003",
      "name": "Jenny",
      "grade": {
        "math": 79,
        "physics": 90,
        "chemistry": 78
      }
    }
  ]
}

這里我們需要使用到 glom 模塊來處理數(shù)據(jù)套嵌，glom 模塊允許我們使用 . 來訪問內嵌對象的屬性。第一次使用我們需要安裝 glom：

pip3 install glom
import pandas as pd
from glom import glom

df = pd.read_json('nested_deep.json')

data = df['students'].apply(lambda row: glom(row, 'grade.math'))
print(data)

2 將 DataFrame 轉換為 JSON

2.1 DataFrame.to_json() - 將 DataFrame 轉換為 JSON 數(shù)據(jù)

to_json() 方法用于將 DataFrame 轉換為 JSON 格式的數(shù)據(jù)，可以指定 JSON 的結構化方式。語法格式：

df.to_json(
    path_or_buffer=None,    # 輸出的文件路徑或文件對象，如果是 None 則返回 JSON 字符串
    orient=None,            # JSON 格式方式，支持 'split', 'records', 'index', 'columns', 'values'
    date_format=None,       # 日期格式，支持 'epoch', 'iso'
    default_handler=None,   # 自定義非標準類型的處理函數(shù)
    lines=False,            # 是否將每行數(shù)據(jù)作為一行（適用于 'records' 或 'split'）
    encoding='utf-8'        # 編碼格式
)
參數(shù)說明默認值
path_or_buffer輸出的文件路徑或文件對象，若為 None，則返回 JSON 字符串None
orient指定 JSON 格式結構，支持 split、records、index、columns、valuesNone（默認是 columns）
date_format日期格式，支持 'epoch' 或 'iso' 格式None
default_handler自定義處理非標準類型（如 datetime 等）的處理函數(shù)None
lines是否將每行數(shù)據(jù)作為一行輸出（適用于 records 或 split）False
encoding輸出文件的編碼格式'utf-8'
import pandas as pd

# 創(chuàng)建 DataFrame
df = pd.DataFrame({
    'Name': ['Alice', 'Bob', 'Charlie'],
    'Age': [25, 30, 35],
    'City': ['New York', 'Los Angeles', 'Chicago']
})

# 將 DataFrame 轉換為 JSON 字符串
json_str = df.to_json()

print(json_str)

將 DataFrame 轉換為 JSON 文件（指定 orient='records'）：

import pandas as pd

# 創(chuàng)建 DataFrame
df = pd.DataFrame({
    'Name': ['Alice', 'Bob', 'Charlie'],
    'Age': [25, 30, 35],
    'City': ['New York', 'Los Angeles', 'Chicago']
})

# 將 DataFrame 轉換為 JSON 文件，指定 orient='records'
df.to_json('data.json', orient='records', lines=True)

將 DataFrame 轉換為 JSON 并指定日期格式：

import pandas as pd

# 創(chuàng)建 DataFrame，包含日期數(shù)據(jù)
df = pd.DataFrame({
    'Name': ['Alice', 'Bob', 'Charlie'],
    'Date': pd.to_datetime(['2021-01-01', '2022-02-01', '2023-03-01']),
    'Age': [25, 30, 35]
})

# 將 DataFrame 轉換為 JSON，并指定日期格式為 'iso'
json_str = df.to_json(date_format='iso')

print(json_str)

到此這篇關于Pandas JSON的處理使用的文章就介紹到這了,更多相關Pandas JSON內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

相關文章

最新評論