pandas治理json的常用操作

最新推荐文章于 2024-05-17 10:13:12 发布

iissaaaacc

最新推荐文章于 2024-05-17 10:13:12 发布

阅读量308

点赞数

文章标签： pandas json

本文链接：https://blog.csdn.net/iissaaaacc/article/details/133985760

版权

在Pandas中，对JSON数据进行处理和操作非常常见。下面是一些常用的Pandas操作，用于处理JSON数据：

读取JSON数据：使用pandas.read_json()函数可以将JSON文件或JSON字符串读取为Pandas DataFrame。
```
import pandas as pd

# 从JSON文件中读取
df = pd.read_json('data.json')

# 从JSON字符串中读取
json_str = '{"name": "Alice", "age": 30}'
df = pd.read_json(json_str)
```
2.将DataFrame转换为JSON：使用to_json()方法可以将DataFrame转换为JSON格式。
```
json_str = df.to_json()
```
数据筛选和过滤：使用DataFrame的条件筛选操作，如df[df['age'] > 25]，可以选择符合特定条件的行。
数据提取：使用df['column_name']来提取特定列的数据。
数据聚合：使用groupby()和聚合函数，如mean()、sum()、count()等，来对数据进行汇总。

# 按列名进行分组，并计算每组的均值
grouped = df.groupby('category')['value'].mean()

5.数据排序：使用sort_values()方法按列对数据进行排序。

# 按年龄降序排序
df.sort_values(by='age', ascending=False)

6.数据处理：使用apply()函数对每行或每列的数据进行自定义处理。

# 对每个年龄加1
df['age'] = df['age'].apply(lambda x: x + 1)

7.数据合并：使用concat()、merge()等方法，将多个DataFrame合并到一起。

# 合并两个DataFrame
result = pd.concat([df1, df2])

8. 缺失数据处理：使用dropna()和fillna()方法来处理缺失的数据。

# 删除含有缺失值的行
df.dropna()

# 使用指定值填充缺失值
df.fillna(value)

9.JSON字段解析：如果JSON数据中包含嵌套的JSON字段，可以使用json_normalize()函数将其展平。

from pandas import json_normalize

data = [{'name': 'Alice', 'address': {'city': 'New York', 'zip': '10001'}}, ...]
df = json_normalize(data)

关注