pandas治理json的常用操作

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：

1. 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()

2. 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。

3. 数据提取：使用df['column_name']来提取特定列的数据。

4. 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)