Pandas DataFrame do JSON
Przykład nr 01
W praktyce zademonstrujemy, jak użyć metody „to_Json ()” „pandy” do zmiany ramki danych „pandy” na format JSON. Pakiet „Pandy” jest tutaj importowany, czyli „Numpy”, a my importujemy go jako „NP”. Teraz, aby wykonać kod „pandy”, pakiety pandy powinny zostać zaimportowane. Aby zaimportować ten pakiet, wykorzystujemy słowo kluczowe „Importuj”. Następnie ustawiamy „Pandy jako PD”, co oznacza, że możemy łatwo uzyskać dostęp do dowolnego „pakietu pandy”, którego potrzebujemy, po prostu umieszczając tam „PD”.
Tworzymy tutaj tablicę Numpy, wykorzystując „NP. tablica ”, ten„ NP ”pomaga nam uzyskać dostęp do funkcji biblioteki Numpy. Ta tablica Numpy jest również przechowywana w zmiennej „new_data”, a my umieszczamy do tej tablicy Numpy „A, B, C, D” i „E, F, H”. Ta tablica Numpy jest teraz konwertowana na ramkę danych, wykorzystując „PD.Metoda dataframe ”. Jest to metoda „pand”, do której dostęp jest tutaj, umieszczając „PD”. Kiedy konwertujemy tę tablicę Numpy w ramkę danych, również umieszczamy również nazwy kolumn.
Nazwy dodane tutaj jako nagłówki kolumn to „col1, col2, col3 i col4”. Następnie widzisz, że mamy poniższy „druk”, w którym ustawiamy nazwę DataFrame, która w tym przypadku jest „new_DataFrame”, więc zostanie to renderowane po wykonaniu tego kodu. Teraz przekształcamy tę ramkę danych w format JSON, wykorzystując metodę „To_Json ()”. Ustawiamy nazwę DataFrame „New_DataFrame” za pomocą metody „To_Json ()”, a także umieszczamy tę metodę w zmiennej „NEW_JSON”. Tutaj nie przekazaliśmy żadnego parametru do tej metody „to_Json ()”. Format JSON w ramce danych jest teraz umieszczony w „wydruku”, a także renderuje na konsoli.
W celu kompilacji i wykonywania tego kodu nachylaliśmy „Shift+Enter”, a jeśli kod jest wolny od błędów, wówczas wyjście będzie renderować. Tutaj wklejamy również wynik tego kodu, w którym pokazaliśmy ramkę danych, którą utworzyliśmy w tym przykładzie, a także format JSON tego kompletu danych.
Przykład nr 02
Tutaj importujemy tylko jedną bibliotekę, która jest „pand”, a następnie tworzona jest lista „Atoz_courses” i umieszczamy w niej kilka list, które są „Python, 29000, 35 dni i 1000.0 ”, następnie umieściliśmy„ JavaScript, 27000, 55 dni i 2300.0 ”, potem dodajemy„ HTMLCSS, 25000, 25 dni i 1500.0 ”. Teraz wstawiliśmy jeszcze dwa dane jako „baza danych, 24000, 45 dni i 1500.0 ”i„ Oop, 21000, 35 dni, 1500.0 ”też. Lista „ATOZ_COURSES” jest teraz zmieniana w ramce danych i nazwaliśmy ją „Atoz_courses_df”. „Kursy_name, płatność, czas trwania i premia” są tutaj dodawane jako nazwy kolumnów DataFrame.
Teraz oprawa danych jest generowana w tym kroku i dodajemy ją w instrukcji „print ()” do wyświetlania go na terminalu. Teraz, za pomocą metody „to_JSON ()”, przekształcamy frame danych „ATOZ_COURSES_DF” w format JSON. Ta metoda „To_Json ()” otrzymuje również parametr, który jest „orienter = kolumna”, który jest również parametrem domyślnym. Wyświetla ramkę danych jako DICT jako „nazwa kolumny -> Wartość indeksu -> Wartość kolumny”.
Tutaj, w formacie JSON, wyświetla nazwę kolumny, a następnie stawia wszystkie wartości tej kolumny wraz z wartością indeksu. Najpierw wspomina o nazwie pierwszej kolumny, a następnie wszystkie wartości pierwszej kolumny są renderowane wraz z wartościami indeksu, a następnie umieszcza drugą nazwę kolumny, a także wszystkie wartości drugiej kolumny z indeksami i tak dalej.
Przykład nr 03
Malka danych jest generowana w tym kodzie o nazwie „Bachelors_df”. Wstawiliśmy pięć kolumn do tego „Bachelors_df”. Pierwsza kolumna, którą tu mamy, to kolumna „Student” i wkładamy do niej „Lily, Smith, Bromley, Milli i Alexander”. Kolumna, która pojawia się następna, to kolumna „stopnia”, która zawiera „IT, BBA, angielski, CS i DVM”. Wtedy „rok_of_joining” pojawia się w miejscu, w którym dodajemy kolejne lata studentów, które są „2015, 2018, 2017, 2015 i 2014”.
Kolumna obok tej kolumny to „Year_of_graduation”, która zawiera lata ukończenia studentów to „2019, 2022, 2021, 2019 i 2018”. Dodajemy również kolumnę „CGPA” tutaj, w której umieszczamy CGPA uczniów „3.3, 3.5, 3.6, 3.7 i 3.8 ”. Aby wyświetlić „Bachelors_df” na terminalu, uwzględniamy go w wyrażeniu „print ()”. Teraz przekształcamy ramkę danych „Bachelors_df” w format JSON za pomocą metody „To_Json ()”.
Parametr „orienter = rekordy” jest również przekazywany do tej metody „TO_JSON ()” w tym kodzie. Ten „orienter = Records” wyświetli format JSON jako „[nazwa kolumny -> Wartość kolumny,…, nazwa kolumny -> Wartość kolumny]”. Format JSON DataFrame jest teraz ustawiony na „Drukuj”, a także będzie wyświetlany na terminalu.
Rzeka danych jest po prostu pokazana tutaj w formularzu kolumn i wierszy, ale w formacie JSON można zauważyć, że umieszcza nazwę kolumny, a następnie wyświetla wartość tej kolumny; Po wyświetleniu wartości jednej kolumny drukuje nazwę drugiej kolumny, a następnie umieszcza wartość tej kolumny, a następnie tak dalej, ponieważ ustawiamy parametr metody „to_josn” jako „orienta = rekordy”.
Przykład nr 04
Tworzymy tablicę Numpy „My_data”, w której wstawiamy „2, 4” i „6, 8”. Następnie zmień tablicę Numpy w ramę danych „My_DataFrame” i ustaw jej nazwy kolumn jako „A1 i A2”. Teraz, po wyświetleniu ramki danych tutaj, używając „drukuj”. Najpierw wykorzystujemy metodę „To_Json ()” bez żadnych parametrów i wyświetlamy ją. Następnie ustawiamy parametr metod „to_JSON ()” na „orient = split”, a także drukuje ten format. Następnie ponownie stosujemy „to_josn ()” do „my_dataframe” i tym razem przekazujemy „orient = rekord” jako parametr tej funkcji.
Below this, we put “orient= index” with the “My_dataFrame” and render this JSON format. Po tym parametrze ponownie używamy parametru „To_Json” z parametrem „orient = kolumna” i renderuje go. Następnie przekazujemy „orienta = wartości” jako parametr metody „to_Json ()” i stosujemy ją do „my_DataFrame”. Ustawiamy również parametr tej funkcji na „orienter = tabela” i ponownie używamy go z tą samą strumieniem danych, a także wyświetla ten format JSON. Teraz zwrócimy uwagę na różnicę między formatami JSON w wyjściu tego kodu.
Tutaj możesz łatwo znaleźć różnicę między formatami JSON, które zastosowaliśmy do tej samej ramki danych. Wszystkie parametry, które przeszliśmy w metodzie „TO_JSON”, pojawiają się tutaj w różnych formatach.
Wniosek
Ten przewodnik pokazuje format JSON i szczegółowo wyjaśnił ten format JSON i sposób konwersji pandy danych pandas na JSON. Wyjaśniliśmy, że metoda „To_Json ()” jest wykorzystywana do konwersji Pandas DataFrame w format JSON. Omówiliśmy również różne parametry, które przeszliśmy do metody „TO_JSON ()” tutaj. Dostarliśmy pełny przewodnik, w którym zastosowaliśmy metody „to_Json ()”, umieszczając wszystkie możliwe parametry do tej metody „to_Json ()” w naszym kodzie „Pandy”, a także pokazaliśmy je w wyjściu, w jaki sposób te parametry zmieniają format format JSON.