
Pandas json_normalize 函数使用教程介绍
json_normalize 是 Pandas 库中一个强大的函数,用于将嵌套的 JSON 数据规范化成平面的 DataFrame。这对于处理包含嵌套结构的 JSON 数据非常有用,使其更容易分析和操作。在本教程中,我们将深入介绍 json_normalize 函数,并通过通俗的例子帮助你理解其参数的作用。
安装 Pandas
首先,确保你已经安装了 Pandas。如果没有安装,可以使用以下命令进行安装:pip install pandas使用 json_normalize基本用法让我们从最基本的用法开始。假设有如下嵌套的 JSON 数据:{
"name":"John",
"age":30,
"address":{
"city":"New York",
"zip":"10001"
}
}
}
现在我们将使用 json_normalize 将其规范化成 DataFrame:import pandas as pd
# 嵌套的 JSON 数据
data = {
"name": "John",
"age": 30,
"address": {
"city": "New York",
"zip": "10001"
}
}
# 使用 json_normalize 规范化
df = pd.json_normalize(data)
# 打印 DataFrame
print(df)
print(df) 运行上述代码,你将得到一个包含规范化数据的 DataFrame。处理嵌套数组json_normalize 也可以处理包含嵌套数组的 JSON 数据。
考虑以下 JSON:{
"name":"John",
"age":30,
"skills":[
{"language":"Python", "level":"Intermediate"},
{"language":"JavaScript", "level":"Advanced"}
]
}
}
我们可以使用 record_path 参数指定要规范化的嵌套数组:# 嵌套数组的 JSON 数据
data_with_array = {
"name": "John",
"age": 30,
"skills": [
{"language": "Python", "level": "Intermediate"},
{"language": "JavaScript", "level": "Advanced"}
]
}
# 使用 json_normalize 规范化,指定嵌套数组路径
df_with_array = pd.json_normalize(data_with_array, record_path='skills')
# 打印 DataFrame
print(df_with_array)
通过指定 record_path 参数,我们将嵌套数组规范化成了 DataFrame。处理嵌套 JSONjson_normalize 还支持处理嵌套的 JSON 结构。
考虑以下 JSON: {
"name":"John",
"age":30,
"contact":{
"email":"john@example.com",
"phone":{
"home":"123-456-7890",
"work":"987-654-3210"
}
}
}
我们可以使用 sep 参数指定嵌套层次的分隔符:# 嵌套 JSON 数据
data_nested = {
"name": "John",
"age": 30,
"contact": {
"email": "john@example.com",
"phone": {
"home": "123-456-7890",
"work": "987-654-3210"
}
}
}
# 使用 json_normalize 规范化,指定嵌套层次分隔符
df_nested = pd.json_normalize(data_nested, sep='_')
# 打印 DataFrame
print(df_nested)
print(df_nested)在这个例子中,我们通过指定 sep 参数,将嵌套的 JSON 结构规范化成了 DataFrame。
总结
通过本教程,你学习了如何使用 Pandas 中的 json_normalize 函数将嵌套的 JSON 数据规范化成易于处理的 DataFrame。我们介绍了基本用法以及如何处理嵌套数组和嵌套 JSON 结构。希望这些通俗易懂的例子能够帮助你更好地理解 json_normalize 函数的使用。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15