Question

我有一个结构如下的DataFrame。（这是JSON规范化的结果）

mydf

id    colA    colB    ...    colArray
foo   a1      b1             [{'date': '...', 'data1': '...', 'data2': 0.1 ...}, ...]
bar   a2      b2             [{'date': '...', 'data1': '...', 'data2': 0.1 ...}, ...]
fooz  a3      b3             [{'date': '...', 'data1': '...', 'data2': 0.1 ...}, ...]
barz  a4      b4             [{'date': '...', 'data1': '...', 'data2': 0.1 ...}, ...]

date是时间戳记
colArray行中的每个数组的长度不同，但数组元素结构完全相同
['id', 'colA', 'colB']是我想用作唯一索引的列的示例

我想转换这些数据以便将它们用作时间序列。我想要的输出将是这样的：

id    colA    colB    ...    date               data1    data2 ... data n
foo   a1      b1             '1st timestamp'   'flex'   0.1
foo   a1      b1             '...'   
...
foo   a1      b1             'last_timestamp'   
bar   a2      b2             '1st timestamp'   'zorg'
bar   a2      b2             '...'   
...   
bar   a2      b2             'last_timestamp'   
fooz  a3      b3             '...'   
fooz  a3      b3             '...'   
...
fooz  a3      b3             '...'   
etc.

这将使我能够基于[foo, a1, b1]等元组来绘制/分析时间序列。

在我看来，这与Flatten nested pandas dataframe非常相似，但是公认的答案令人沮丧：JSON / dict数据并未真正处理以产生具有正确数据的DataFrame。

有人对如何实现这一目标有任何建议吗？

第一种方法

使用以下内容，该内容与我想要的很接近：

tmpdf = pd.DataFrame(mydf['colArray'].tolist())
json_normalize(tmpdf[0])

但是有两个问题：

我丢失了我想用作唯一标识符的['id', 'colA', 'colB']元组。
我需要对tmpdf的每一行执行操作

第二种方法

基于Accessing nested JSON data as dataframes in Pandas

pd.concat(pd.DataFrame.from_dict(tmp_array) for array in mydf['colArray'])

它为我提供了一个数据框，其中所有数组都经过展平，列名称正确，但是我丢失了对应的键（['id', 'colA', 'colB']）。我认为这是正确的方法，但是我无法弄清楚如何保留索引列（以便我可以通过索引列来过滤每个结果时间序列）。

太糟糕了，没有“ json_melt”功能

第三种方法

基于此问题Flatten nested pandas dataframe。我可以保留索引列，但数组元素仍为JSON，索引为[0，1，2，...]。我将在处理可变长度时遇到麻烦（对于较高的列索引值，NA为很多

参考书目： Create a Pandas DataFrame from deeply nested JSON但是解决方案基于原始的JSON处理，而我想在现有的DataFrame上进行

Accessing nested JSON data as dataframes in Pandas这与我想要的非常接近。

Flatten nested pandas dataframe结果看起来像我的第一次尝试，但是底层的JSON数据并未真正“矩阵化”到数据框中。

A rather complex and not satisfaying approach

编辑：This question is the same但是在发问时，我无法通过搜索找到它。供将来参考？

Answer 1

使用字典理解，将pop用于提取原始列，将concat用于MulltiIndex：

df = pd.concat({k: pd.DataFrame(array) for k, array in mydf.pop('colArray').items()})

替代方法是使用参数keys：

df = pd.concat([pd.DataFrame(array) for array in mydf.pop('colArray')], keys=mydf.index)

然后删除第二级，因此可以将join与原始DataFrame一起删除：

df = df.reset_index(level=1, drop=True).join(mydf).reset_index(drop=True)

示例：

mydf = pd.DataFrame({'id': ['foo', 'bar', 'fooz', 'barz'], 'colA': ['a1', 'a2', 'a3', 'a4'], 'colB': ['b1', 'b2', 'b3', 'b4'], 'colArray': [[{'date': 's', 'data1': 't', 'data2': 0.1}, {'date': 'd', 'data1': 'r', 'data2': 0.8}], [{'date': 'd', 'data1': 'y', 'data2': 0.1}], [{'date': 'g', 'data1': 'u', 'data2': 0.1}], [{'date': 'h', 'data1': 'i', 'data2': 0.1}]]})
print (mydf)
     id colA colB                                           colArray
0   foo   a1   b1  [{'date': 's', 'data1': 't', 'data2': 0.1}, {'...
1   bar   a2   b2        [{'date': 'd', 'data1': 'y', 'data2': 0.1}]
2  fooz   a3   b3        [{'date': 'g', 'data1': 'u', 'data2': 0.1}]
3  barz   a4   b4        [{'date': 'h', 'data1': 'i', 'data2': 0.1}]

df = pd.concat({k: pd.DataFrame(array) for k, array in mydf.pop('colArray').items()})
print (df)
    data1  data2 date
0 0     t    0.1    s
  1     r    0.8    d
1 0     y    0.1    d
2 0     u    0.1    g
3 0     i    0.1    h

df = df.reset_index(level=1, drop=True).join(mydf).reset_index(drop=True)
print (df)
  data1  data2 date    id colA colB
0     t    0.1    s   foo   a1   b1
1     r    0.8    d   foo   a1   b1
2     y    0.1    d   bar   a2   b2
3     u    0.1    g  fooz   a3   b3
4     i    0.1    h  barz   a4   b4

使用额外的索引键（用于时间序列）展平DataFrame嵌套的列表/数组

第一种方法

第二种方法

第三种方法

1 个答案: