我想知道是否有一种以内存有效的方式将多记录JSON文件(每行是JSON dict)读入pandas数据帧。下面是一个带有工作解决方案的2行示例,我需要它可能用于非常大量的记录。示例用法是处理来自Hadoop Pig JSonStorage函数的输出。
import json
import pandas as pd
test='''{"a":1,"b":2}
{"a":3,"b":4}'''
#df=pd.read_json(test,orient='records') doesn't work, expects []
l=[ json.loads(l) for l in test.splitlines()]
df=pd.DataFrame(l)
答案 0 :(得分:39)
注意:现在read_json
支持行分隔的json(自0.19.0开始):
In [31]: pd.read_json('{"a":1,"b":2}\n{"a":3,"b":4}', lines=True)
Out[31]:
a b
0 1 2
1 3 4
或使用文件/文件路径而不是json字符串:
pd.read_json(json_file, lines=True)
这将取决于你的DataFrames的大小更快,但另一个选择是使用str.join
粉碎你的多行“JSON”(注意:它是无效的json),进入有效的json并使用read_json:
In [11]: '[%s]' % ','.join(test.splitlines())
Out[11]: '[{"a":1,"b":2},{"a":3,"b":4}]'
对于这个微小的例子,这个速度较慢,如果大约100,那么如果它更大的话就会有相似的,显着的增益......
In [21]: %timeit pd.read_json('[%s]' % ','.join(test.splitlines()))
1000 loops, best of 3: 977 µs per loop
In [22]: %timeit l=[ json.loads(l) for l in test.splitlines()]; df = pd.DataFrame(l)
1000 loops, best of 3: 282 µs per loop
In [23]: test_100 = '\n'.join([test] * 100)
In [24]: %timeit pd.read_json('[%s]' % ','.join(test_100.splitlines()))
1000 loops, best of 3: 1.25 ms per loop
In [25]: %timeit l = [json.loads(l) for l in test_100.splitlines()]; df = pd.DataFrame(l)
1000 loops, best of 3: 1.25 ms per loop
In [26]: test_1000 = '\n'.join([test] * 1000)
In [27]: %timeit l = [json.loads(l) for l in test_1000.splitlines()]; df = pd.DataFrame(l)
100 loops, best of 3: 9.78 ms per loop
In [28]: %timeit pd.read_json('[%s]' % ','.join(test_1000.splitlines()))
100 loops, best of 3: 3.36 ms per loop
注意:当时加入的速度非常快。
答案 1 :(得分:26)
如果您正在尝试节省内存,那么一次读取一行文件会更有效:
with open('test.json') as f:
data = pd.DataFrame(json.loads(line) for line in f)
此外,如果你import simplejson as json
,simplejson
附带的已编译C扩展比纯Python json
模块快得多。
答案 2 :(得分:14)
截至Pandas 0.19,read_json
原生支持line-delimited JSON:
pd.read_json(jsonfile, lines=True)
答案 3 :(得分:2)
++++++++更新++++++++++++++
从v0.19开始,Pandas原生支持这一点(参见https://github.com/pandas-dev/pandas/pull/13351)。跑吧:
df=pd.read_json('test.json', lines=True)
++++++++++++++++++++++++++++++++++++++++++++++++
现有答案很好,但是对于一些变化,这是实现目标的另一种方法,需要在python之外进行简单的预处理步骤,以便pd.read_json()
可以使用数据。
cat test.json | jq -c --slurp . > valid_test.json
df=pd.read_json('valid_test.json')
在ipython notebook中,您可以使用
直接从单元格界面运行shell命令!cat test.json | jq -c --slurp . > valid_test.json
df=pd.read_json('valid_test.json')