obj =""" { "name": "Wes", "places_lived": ["United States", "Spain", "Germany"], "pet": null, "siblings": [ { "name": "Scott", "age": 30, "pets": ["Zeus", "Zuko"] }, { "name": "Katie", "age": 38, "pets": ["Sixes", "Stache", "Cisco"] } ] } """ import json result = json.loads(obj) print(result)
JSON不允许列表末尾的逗号,基本类型是字典,数组,字符串,数字,
布尔值和空值,将JSON字符串转换为Python形式时,使用json.loads(obj)
Python对象是Python的数据结构,而JSON数据是一种数据交换格式。Python对象可以包含更多的数据类型,如datetime、set等,而JSON数据只支持一部分数据类型,如字符串、数字、列表、字典、布尔值和null值。
2. 序列化:Python对象可以通过序列化工具将其转换为JSON数据,如json.dumps()方法,而JSON数据本身就是一种序列化的数据格式。
3. 可读性:Python对象在代码中可以更直观地表示数据结构,而JSON数据则是一种字符串表示,不太容易阅读。
4. 传输:JSON数据通常用于在不同系统之间传输数据,因为它是一种通用的格式,可以被多种编程语言解析。Python对象则主要在Python程序内部使用,要在不同语言之间传输需要将其转换为JSON数据。
总的来说,Python对象和JSON数据都有各自的优势和用途,需要根据具体情况选择合适的数据表示方式。
python对象可以使用json.dump(obj)将其转换为JSON,
将JSON字符串转换为Python对象时,使用json.loads(obj)
import json result=json.loads(obj) print(result) asjson=json.dumps(result) print(asjson) siblings=pd.DataFrame(result['siblings'],columns=['name','age']) print(siblings)
如何将(⼀个或⼀组)JSON对象转换为DataFrame或其他便于 分析的数据结构就由你决定了。最简单⽅便的⽅式是:向 DataFrame构造器传⼊⼀个字典的列表(就是原先的JSON对 象),并选取数据字段的⼦集:
pandas.read_json可以⾃动将特别格式的JSON数据集转换为 Series或DataFrame
example.json数据:
[{"a": 1, "b": 2, "c": 3}, {"a": 4, "b": 5, "c": 6}, {"a": 7, "b": 8, "c": 9}]
data=pd.read_json('example.json') print(data)
out:
a b c
0 1 2 3
1 4 5 6
2 7 8 9
data=pd.read_json('example.json') print(data) print(data.to_json())
out:
a b c
0 1 2 3
1 4 5 6
2 7 8 9
{"a":{"0":1,"1":4,"2":7},"b":{"0":2,"1":5,"2":8},"c":{"0":3,"1":6,"2":9}}
第一个打印语句`print(data.to_json())`将`data`对象转换为JSON格式的字符串,并打印出来。默认情况下,`to_json`方法会将DataFrame对象转换为一个以列标签为键,每列值作为对应value的JSON对象。
第二个打印语句`print(data.to_json(orient='records'))`将`data`对象转换为JSON格式的字符串,并打印出来。在`to_json`方法中,`orient='records'`参数将DataFrame对象转换为一个包含多个记录的JSON数组,每个记录由一个字典表示,其中键为列标签,值为对应的值。