我正在将 Twitter 数据(推文 + 元数据)收集到 MongoDB 服务器中。现在我想做一些统计分析。为了将 MongoDB 中的数据获取到 Pandas 数据框中,我使用了以下代码:
cursor = collection.find({},{'id': 1, 'text': 1})
tweet_fields = ['id', 'text']
result = pd.DataFrame(list(cursor), columns = tweet_fields)
这样我成功地将数据加载到Pandas中,这很棒。现在我想对创建推文的用户进行一些分析,这也是我收集的数据。该数据位于 JSON 的嵌套部分(我不能 100% 确定这是否是真正的 JSON),例如 user.id,它是 Twitter 用户帐户的 id。
我可以使用点符号将其添加到光标:
cursor = collection.find({},{'id': 1, 'text': 1, 'user.id': 1})
但这会导致该列的结果为 NaN。我发现问题在于数据的结构方式:
没有 user.id 的光标位:
[{'_id': ObjectId('561547ae5371c0637f57769e'),
'id': 651795711403683840,
'text': 'Video: Zuuuu gut! Caro Korneli besucht für extra 3 Pegida Via KFMW http://t.co/BJX5GKrp7s'},
{'_id': ObjectId('561547bf5371c0637f5776ac'),
'id': 651795781557583872,
'text': 'Iets voor werkloze xenofobe PVV-ers, (en dat zijn waarschijnlijk wel de meeste).........Ze zoeken bij Frontex een paar honderd grenswachten.'},
{'_id': ObjectId('561547ab5371c0637f57769c'),
'id': 651795699881889792,
'text': 'RT @ansichtssache47: Geht gefälligst arbeiten, die #Flüchtlinge haben Hunger! http://t.co/QxUYfFjZB5 #grenzendicht #rente #ZivilerUngehorsa…'}]
带有 user.id 的光标位:
[{'_id': ObjectId('561547ae5371c0637f57769e'),
'id': 651795711403683840,
'text': 'Video: Zuuuu gut! Caro Korneli besucht für extra 3 Pegida Via KFMW http://t.co/BJX5GKrp7s',
'user': {'id': 223528499}},
{'_id': ObjectId('561547bf5371c0637f5776ac'),
'id': 651795781557583872,
'text': 'Iets voor werkloze xenofobe PVV-ers, (en dat zijn waarschijnlijk wel de meeste).........Ze zoeken bij Frontex een paar honderd grenswachten.',
'user': {'id': 3544739837}}]
简而言之,我不明白如何在 Pandas 数据框的单独列中获取收集的数据的嵌套部分。
我使用这样的函数将嵌套的 JSON 行放入数据帧中。它使用方便的
pandas json.normalize
功能:
import pandas as pd
from bson import json_util, ObjectId
from pandas.io.json import json_normalize
import json
def mongo_to_dataframe(mongo_data):
sanitized = json.loads(json_util.dumps(mongo_data))
normalized = json_normalize(sanitized)
df = pd.DataFrame(normalized)
return df
只需通过调用函数并将其作为参数来传递 mongo 数据即可。
sanitized = json.loads(json_util.dumps(mongo_data))
将 JSON 行加载为常规 JSON
normalized = json_normalize(sanitized)
取消数据嵌套
df = pd.DataFrame(normalized)
只需将其转换为数据框
使用PyMongoArrow。这是 MongoDB 专门为此目的构建的工具。它允许您高效地将数据移入和移出 MongoDB 并转换为其他数据格式,例如 pandas DataFrame、NumPy Array、Apache Arrow Table。
它还支持嵌套数据,并允许您在将数据从一个数据移动到另一个数据时选择性地定义数据架构及其数据类型。