來源：Python數(shù)據(jù)科學(xué)

作者：東哥起飛

大家好，我是你們的東哥。

本篇是pandas100個騷操作的第2篇：JSON自動解析為DataFrame

全部內(nèi)容請點文章頭部的「pandas100個騷操作」系列查看。

調(diào)用API和文檔數(shù)據(jù)庫會返回嵌套的JSON對象，當我們使用Python嘗試將嵌套結(jié)構(gòu)中的鍵轉(zhuǎn)換為列時，數(shù)據(jù)加載到pandas中往往會得到如下結(jié)果：

df?=?pd.DataFrame.from_records（results?[“?issues”]，columns?=?[“?key”，“?fields”]）

說明：這里results是一個大的字典，issues是results其中的一個鍵，issues的值為一個嵌套JSON對象字典的列表，后面會看到JSON嵌套結(jié)構(gòu)。

問題在于API返回了嵌套的JSON結(jié)構(gòu)，而我們關(guān)心的鍵在對象中確處于不同級別。

嵌套的JSON結(jié)構(gòu)張成這樣的。

而我們想要的是下面這樣的。

下面以一個API返回的數(shù)據(jù)為例，API通常包含有關(guān)字段的元數(shù)據(jù)。假設(shè)下面這些是我們想要的字段。

key：JSON密鑰，在第一級的位置。
summary：第二級的“字段”對象。
status name：第三級位置。
statusCategory name：位于第4個嵌套級別。

如上，我們選擇要提取的字段在issues列表內(nèi)的JSON結(jié)構(gòu)中分別處于4個不同的嵌套級別，一環(huán)扣一環(huán)。

{
??"expand":?"schema,names",
??"issues":?[
????{
??????"fields":?{
????????"issuetype":?{
??????????"avatarId":?10300,
??????????"description":?"",
??????????"id":?"10005",
??????????"name":?"New?Feature",
??????????"subtask":?False
????????},
????????"status":?{
??????????"description":?"A?resolution?has?been?taken,?and?it?is?awaiting?verification?by?reporter.?From?here?issues?are?either?reopened,?or?are?closed.",
??????????"id":?"5",
??????????"name":?"Resolved",
??????????"statusCategory":?{
????????????"colorName":?"green",
????????????"id":?3,
????????????"key":?"done",
????????????"name":?"Done",
??????????}
????????},
????????"summary":?"Recovered?data?collection?Defraglar?$MFT?problem"
??????},
??????"id":?"11861",
??????"key":?"CAE-160",
????},
????{
??????"fields":?{?
...?more?issues],
??"maxResults":?5,
??"startAt":?0,
??"total":?160
}

一個不太好的解決方案

一種選擇是直接擼碼，寫一個查找特定字段的函數(shù)，但問題是必須對每個嵌套字段調(diào)用此函數(shù)，然后再調(diào)用.apply到DataFrame中的新列。

為獲取我們想要的幾個字段，首先我們提取fields鍵內(nèi)的對象至列：

df?=?(
????df["fields"]
????.apply(pd.Series)
????.merge(df,?left_index=True,?right_index?=?True)
)

從上表看出，只有summary是可用的，issuetype、status等仍然埋在嵌套對象中。

下面是提取issuetype中的name的一種方法。

#?提取issue?type的name到一個新列叫"issue_type"
df_issue_type?=?(
????df["issuetype"]
????.apply(pd.Series)
????.rename(columns={"name":?"issue_type_name"})["issue_type_name"]
)
df?=?df.assign(issue_type_name?=?df_issue_type)

像上面這樣，如果嵌套層級特別多，就需要自己手擼一個遞歸來實現(xiàn)了，因為每層嵌套都需要調(diào)用一個像上面解析并添加到新列的方法。

對于編程基礎(chǔ)薄弱的朋友，手擼一個其實還挺麻煩的，尤其是對于數(shù)據(jù)分析師，著急想用數(shù)據(jù)的時候，希望可以快速拿到結(jié)構(gòu)化的數(shù)據(jù)進行分析。

下面東哥分享一個pandas的內(nèi)置解決方案。

內(nèi)置的解決方案

pandas中有一個牛逼的內(nèi)置功能叫?.json_normalize。

pandas的文檔中提到：將半結(jié)構(gòu)化JSON數(shù)據(jù)規(guī)范化為平面表。

前面方案的所有代碼，用這個內(nèi)置功能僅需要3行就可搞定。步驟很簡單，懂了下面幾個用法即可。

確定我們要想的字段，使用 . 符號連接嵌套對象。
將想要處理的嵌套列表（這里是results["issues"]）作為參數(shù)放進 .json_normalize 中。
過濾我們定義的FIELDS列表。

FIELDS?=?["key",?"fields.summary",?"fields.issuetype.name",?"fields.status.name",?"fields.status.statusCategory.name"]
df?=?pd.json_normalize(results["issues"])
df[FIELDS]

沒錯，就這么簡單。

其它操作

記錄路徑

除了像上面那樣傳遞results["issues"]列表之外，我們還使用record_path參數(shù)在JSON對象中指定列表的路徑。

#?使用路徑而不是直接用results["issues"]
pd.json_normalize(results,?record_path="issues")[FIELDS]

自定義分隔符

還可以使用sep參數(shù)自定義嵌套結(jié)構(gòu)連接的分隔符，比如下面將默認的“.”替換“-”。

#?用?"-"?替換默認的?"."
FIELDS?=?["key",?"fields-summary",?"fields-issuetype-name",?"fields-status-name",?"fields-status-statusCategory-name"]
pd.json_normalize(results["issues"],?sep?=?"-")[FIELDS]

控制遞歸

如果不想遞歸到每個子對象，可以使用max_level參數(shù)控制深度。在這種情況下，由于statusCategory.name字段位于JSON對象的第4級，因此不會包含在結(jié)果DataFrame中。

#?只深入到嵌套第二級
pd.json_normalize(results,?record_path="issues",?max_level?=?2)

下面是.json_normalize的pandas官方文檔說明，如有不明白可自行學(xué)習(xí)，本次東哥就介紹到這里。

參考：

[1] pandas官方文檔：https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.json_normalize.html

[2] https://medium.com/swlh/converting-nested-json-structures-to-pandas-dataframes-e8106c59976e

以上所有代碼已上傳至我的GitHub：

項目鏈接：https://github.com/xiaoyusmd/PythonDataScience

原創(chuàng)不易，如果覺得有幫助，支持下給個Star



愛點贊的人，運氣都不會太差

pandas100個騷操作：JSON自動解析為DataFrame