Python pandas.json_normalize用法及代码示例

用法: pandas.json_normalize(data, record_path=None, meta=None, meta_prefix=None, record_prefix=None, errors='raise', sep='.', max_level=None)

将 semi-structured JSON 数据标准化为平面表。

参数：

data：字典或字典列表

未序列化的 JSON 对象。

record_path：str 或 str 列表，默认无

每个对象中到记录列表的路径。如果未通过，数据将被假定为记录数组。

meta：路径列表(str 或 str 列表)，默认无

用作结果表中每条记录的元数据的字段。

meta_prefix：str，默认无

如果为 True，则在记录前加上点 (?) 路径，例如foo.bar.field 如果 meta 是 [‘foo’, ‘bar’]。

record_prefix：str，默认无

如果为 True，则在记录前加上点 (?) 路径，例如foo.bar.field 如果记录的路径是 [‘foo’, ‘bar’]。

errors：{‘raise’, ‘ignore’}，默认 ‘raise’

配置错误处理。

‘ignore’：如果 meta 中列出的键并不总是存在，将忽略 KeyError。
‘raise’：如果 meta 中列出的键并不总是存在，将引发 KeyError。

sep：str，默认“。”

嵌套记录将生成以 sep 分隔的名称。例如，对于 sep='.'，{‘foo’:{‘bar’:0}} -> foo.bar。

max_level：整数，默认无

要标准化的最大级别数(字典深度)。如果没有，则标准化所有级别。

frame： DataFrame
将 semi-structured JSON 数据标准化为平面表。

例子：

>>> data = [
...     {"id":1, "name":{"first":"Coleen", "last":"Volk"}},
...     {"name":{"given":"Mark", "family":"Regner"}},
...     {"id":2, "name":"Faye Raker"},
... ]
>>> pd.json_normalize(data)
    id name.first name.last name.given name.family        name
0  1.0     Coleen      Volk        NaN         NaN         NaN
1  NaN        NaN       NaN       Mark      Regner         NaN
2  2.0        NaN       NaN        NaN         NaN  Faye Raker

>>> data = [
...     {
...         "id":1,
...         "name":"Cole Volk",
...         "fitness":{"height":130, "weight":60},
...     },
...     {"name":"Mark Reg", "fitness":{"height":130, "weight":60}},
...     {
...         "id":2,
...         "name":"Faye Raker",
...         "fitness":{"height":130, "weight":60},
...     },
... ]
>>> pd.json_normalize(data, max_level=0)
    id        name                        fitness
0  1.0   Cole Volk  {'height':130, 'weight':60}
1  NaN    Mark Reg  {'height':130, 'weight':60}
2  2.0  Faye Raker  {'height':130, 'weight':60}

将嵌套数据规范化到级别 1。

>>> data = [
...     {
...         "id":1,
...         "name":"Cole Volk",
...         "fitness":{"height":130, "weight":60},
...     },
...     {"name":"Mark Reg", "fitness":{"height":130, "weight":60}},
...     {
...         "id":2,
...         "name":"Faye Raker",
...         "fitness":{"height":130, "weight":60},
...     },
... ]
>>> pd.json_normalize(data, max_level=1)
    id        name  fitness.height  fitness.weight
0  1.0   Cole Volk             130              60
1  NaN    Mark Reg             130              60
2  2.0  Faye Raker             130              60

>>> data = [
...     {
...         "state":"Florida",
...         "shortname":"FL",
...         "info":{"governor":"Rick Scott"},
...         "counties":[
...             {"name":"Dade", "population":12345},
...             {"name":"Broward", "population":40000},
...             {"name":"Palm Beach", "population":60000},
...         ],
...     },
...     {
...         "state":"Ohio",
...         "shortname":"OH",
...         "info":{"governor":"John Kasich"},
...         "counties":[
...             {"name":"Summit", "population":1234},
...             {"name":"Cuyahoga", "population":1337},
...         ],
...     },
... ]
>>> result = pd.json_normalize(
...     data, "counties", ["state", "shortname", ["info", "governor"]]
... )
>>> result
         name  population    state shortname info.governor
0        Dade       12345   Florida    FL    Rick Scott
1     Broward       40000   Florida    FL    Rick Scott
2  Palm Beach       60000   Florida    FL    Rick Scott
3      Summit        1234   Ohio       OH    John Kasich
4    Cuyahoga        1337   Ohio       OH    John Kasich

>>> data = {"A":[1, 2]}
>>> pd.json_normalize(data, "A", record_prefix="Prefix.")
    Prefix.0
0          1
1          2

返回以给定字符串为前缀的列的规范化数据。

相关用法

注：本文由纯净天空筛选整理自pandas.pydata.org大神的英文原创作品 pandas.json_normalize。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。

用法:

参数：

返回：

例子：