使用 Pandas 数据框中的 JSON 数据标准化列

Question

我有一个 Pandas 数据框，其中一列包含 JSON 数据（JSON 结构很简单：只有一层，没有嵌套数据）：

ID,Date,attributes
9001,2020-07-01T00:00:06Z,"{"State":"FL","Source":"Android","Request":"0.001"}"
9002,2020-07-01T00:00:33Z,"{"State":"NY","Source":"Android","Request":"0.001"}"
9003,2020-07-01T00:07:19Z,"{"State":"FL","Source":"ios","Request":"0.001"}"
9004,2020-07-01T00:11:30Z,"{"State":"NY","Source":"windows","Request":"0.001"}"
9005,2020-07-01T00:15:23Z,"{"State":"FL","Source":"ios","Request":"0.001"}"

我想规范化 attributes 列中的 JSON 内容，以便 JSON 属性成为数据帧中的每一列。

ID,Date,attributes.State, attributes.Source, attributes.Request
9001,2020-07-01T00:00:06Z,FL,Android,0.001
9002,2020-07-01T00:00:33Z,NY,Android,0.001
9003,2020-07-01T00:07:19Z,FL,ios,0.001
9004,2020-07-01T00:11:30Z,NY,windows,0.001
9005,2020-07-01T00:15:23Z,FL,ios,0.001 

我一直在尝试使用Pandas json_normalize，它需要字典。所以，我想我会将 attributes 列转换为字典，但它并没有完全按照预期的方式工作，因为字典具有以下形式：

df.attributes.to_dict()

{0: '{"State":"FL","Source":"Android","Request":"0.001"}',
 1: '{"State":"NY","Source":"Android","Request":"0.001"}',
 2: '{"State":"FL","Source":"ios","Request":"0.001"}',
 3: '{"State":"NY","Source":"windows","Request":"0.001"}',
 4: '{"State":"FL","Source":"ios","Request":"0.001"}'}

标准化采用键 (0, 1, 2, ...) 作为列名，而不是 JSON 键。

我感觉我已经很接近了，但我不太清楚如何准确地做到这一点。欢迎任何想法。

谢谢！

Answer 1

Normalize 期望作用于对象，而不是字符串。

import json
import pandas as pd
df_final = pd.json_normalize(df.attributes.apply(json.loads))

Answer 2

您不需要先转换为字典。

尝试：

import pandas as pd

pd.json_normalize(df[‘attributes’])

Answer 3

我找到了一个解决方案，但我对此并不太满意。我觉得效率很低。

import pandas as pd
import json

# Import full dataframe
df = pd.read_csv(r'D:/tmp/sample_simple.csv', parse_dates=['Date'])

# Create empty dataframe to hold the results of data conversion
df_attributes = pd.DataFrame()

# Loop through the data to fill the dataframe
for index in df.index:
    row_json = json.loads(df.attributes[index])
    normalized_row = pd.json_normalize(row_json)
    # df_attributes = df_attributes.append(normalized_row) (deprecated method) use concat instead
      df_attributes = pd.concat([df_attributes, normalized_row], ignore_index=True) 

# Reset the index of the attributes dataframe
df_attributes = df_attributes.reset_index(drop=True)

# Drop the original attributes column
df = df.drop(columns=['attributes'])

# Join the results
df_final = df.join(df_attributes)

# Show results
print(df_final)
print(df_final.info())

这给了我预期的结果。然而，正如我所说，它存在一些低效率的地方。对于初学者来说，数据帧附加在 for 循环 中。根据文档，最佳实践是制作一个列表，然后追加，但我不知道如何在保持我想要的形状的同时做到这一点。我欢迎所有批评者和想法。

Answer 4

一行即可实现想要的输出：

df = pd.concat([df[['ID', 'Date']], pd.json_normalize(df['attributes'])], axis=1)