如何将json格式转换为dataframe格式

介绍

欢迎关注我的公众号《若木的解忧杂货铺》

json格式

JSON（JavaScript Object Notation）是一种轻量级的数据交换格式，它基于JavaScript语言的一个子集，但同时独立于任何编程语言。JSON格式易于人类阅读和编写，同时也易于机器解析和生成，这使得它成为理想的数据交换语言。

JSON的基本格式

JSON格式主要包括数值、字符串、数组、对象、对象数组和数组对象这几种类型。以下是它们的基本格式和示例：

• JSON数值：数值格式是键值对的形式，其中值可以是数字。 { "key1": 100, "key2": 20 }

• JSON字符串：字符串格式同样是键值对的形式，但这里的值是字符串。 { "key1": "张三", "key2": "大忽悠" }

• JSON数组：数组格式的值是一个中括号包裹的列表，列表中可以包含数值或字符串。 { "key": [0, 111111], "key1": [18874, 15157] }

• JSON对象：对象格式的值是一个由大括号包裹的JSON对象。 { "key": {"1": "亚索"}, "key1": {"2": "刘备"} }

• JSON对象数组：对象数组格式的值是一个数组，数组中的每个元素都是一个JSON对象。 { "我": [ {"key": "好好学习"}, {"key1": "天天向上"} ] }

• JSON数组对象：数组对象格式的值是一个对象，对象的值是一个数组。 { "我": { "你": [18874, 15157] } }

• JSON的高级应用

  JSON不仅可以表示简单的数据结构，还可以表示更复杂的数据关系和层次结构。例如，一个JSON对象可以包含多个嵌套的对象和数组，这些对象和数组又可以包含更多的对象和数组，形成一个复杂的数据树。这种灵活性使得JSON可以轻松地表示复杂的数据模型和实体关系。

  此外，JSON还支持多种编程语言，许多现代编程语言都提供了解析和生成JSON数据的库和工具。这意味着开发者可以在不同的语言和平台之间轻松地交换和处理JSON数据。

• dataframe

• DataFrame 是 Pandas 中的一个核心数据结构，主要用于处理二维表格型数据。它类似于 Excel 电子表格或 SQL 表，具有行和列的概念。每个 DataFrame 可以包含不同类型的列，如整数、浮点数、字符串等。此外，DataFrame 提供了丰富的功能来进行数据访问、筛选、分割、合并、重塑、聚合以及转换等操作。
• DataFrame 可以通过多种方式创建，例如使用列表、字典、二维数组、NumPy 的 ndarray、另一个 DataFrame 或者直接从文件（如 CSV、Excel）读取数据。

• 转换实例

• import json
  import pandas as pd 
  import os 
  import numpy as np
  import matplotlib.pyplot as plt
  import requests
  import pygwalker as pyg
  plt.rcParams['font.sans-serif'] = ['FangSong'] # 指定默认字体
  plt.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题
  
  os.chdir(r'file_path')
  ####根据字段用户自己添加
  data = {
      "time": [],
      "citycode": [],
      "cityletter":[],
      "cityname": [],
      "index": [],
      "last_index": [],
      "index_level": [],
      "speed": [],
      "city_coords": [],
      "city_center": [],
      "provincecode": [],
      "provincename": [],
      "weekRate": []
  }
  ###同上
  with open(r'filename.txt', 'r', encoding= 'utf-8') as f:
      response = json.load(f)['data']['list']   
      for res in response:
          data['time'].append(res['time'])
          data['citycode'].append(res['citycode'])
          data['cityletter'].append(res['cityletter'])
          data['cityname'].append(res['cityname'])
          data['index'].append(res['index'])
          data['last_index'].append(res['last_index'])
          data['index_level'].append(res['index_level'])
          data['speed'].append(res['speed'])
          data['city_coords'].append(res['city_coords'])
          data['city_center'].append(res['city_center'])
          data['provincecode'].append(res['provincecode'])
          data['provincename'].append(res['provincename'])
          data['weekRate'].append(res['weekRate'])
          
  data = pd.DataFrame(data)
  
  #print(data.sample( 30))
  

  此片内容至此结束，如您想要关注更多内容，欢迎您关注公众号----若木的解忧杂货铺