将 JSON 数据加载到 Pandas DataFrame 中-Python教程-PHP中文网

将 JSON 数据加载到 Pandas DataFrame 中

DDD

发布： 2025-08-24 17:04:19

原创

190人浏览过

将 JSON 数据加载到 Pandas DataFrame 中

本文介绍了如何使用 Python 和 Pandas 库将 JSON 数据转换为 DataFrame。通过解析 JSON 字符串并利用 pd.DataFrame 函数，可以将 JSON 数据中的数据部分和列名部分结合起来，快速构建一个结构化的 DataFrame，方便后续的数据分析和处理。文章提供了详细的代码示例，帮助读者理解并应用该方法。

使用 Pandas 将 JSON 数据加载到 DataFrame

在数据处理过程中，经常需要将 json 格式的数据转换为更易于分析和操作的 dataframe 结构。pandas 提供了便捷的方法来实现这一转换。

步骤 1：导入必要的库

首先，需要导入 pandas 库来创建和操作 DataFrame，以及 json 库来解析 JSON 字符串。

import pandas as pd
import json

登录后复制

步骤 2：加载 JSON 数据

假设你有一个 JSON 字符串，例如：

jstr = """
{
    "data": [
        [
            "2023-01-01",
            50,
            50,
            82,
            0.0,
            4.32,
            0.1,
            0
        ],
        [
            "2023-01-02",
            298,
            315,
            550,
            0.0,
            4.920634920634921,
            0.13758389261744966,
            0
        ],
        [
            "2023-01-03",
            709,
            724,
            1051,
            0.0,
            3.064917127071823,
            0.0930888575458392,
            0
        ],
        [
            "2023-01-04",
            264,
            292,
            660,
            0.0,
            6.493150684931507,
            0.2803030303030303,
            0
        ],
        [
            "2023-01-05",
            503,
            523,
            882,
            0.0,
            3.7667304015296366,
            0.14314115308151093,
            0
        ],
        [
            "2023-01-06",
            423,
            437,
            735,
            0.0,
            3.5652173913043477,
            0.12056737588652482,
            0
        ],
        [
            "2023-01-07",
            97,
            102,
            146,
            0.0,
            3.5294117647058822,
            0.13402061855670103,
            0
        ],
        [
            "2023-01-08",
            70,
            71,
            169,
            0.0,
            6.52112676056338,
            0.1,
            0
        ],
        [
            "2023-01-09",
            301,
            337,
            721,
            0.0,
            5.9614243323442135,
            0.26578073089701,
            0
        ],
        [
            "2023-01-10",
            313,
            352,
            678,
            0.0,
            5.8522727272727275,
            0.2364217252396166,
            0
        ]
    ],
    "meta": {
        "columns": [
            "timestamp__to_date",
            "visitors",
            "sessions",
            "page_views",
            "goal_conversion_rate",
            "events_per_session",
            "returning_visitors_rate",
            "goal_conversions"
        ],
        "count": 181
    }
}
"""

登录后复制

使用 json.loads() 函数将 JSON 字符串解析为 Python 字典。

data = json.loads(jstr)

登录后复制

步骤 3：创建 DataFrame

MagicStudio

图片处理必备效率神器！为你的图片提供神奇魔法

102

查看详情

利用 Pandas 的 pd.DataFrame() 函数，将解析后的 JSON 数据转换为 DataFrame。data['data'] 包含了数据，而 data['meta']['columns'] 包含了列名。

df = pd.DataFrame(data['data'], columns=data['meta']['columns'])

登录后复制

步骤 4：查看结果

打印 DataFrame，查看转换结果。

print(df)

登录后复制

输出结果如下：

  timestamp__to_date  visitors  sessions  page_views  goal_conversion_rate  events_per_session  returning_visitors_rate  goal_conversions
0         2023-01-01        50        50          82                   0.0            4.320000                 0.100000                 0
1         2023-01-02       298       315         550                   0.0            4.920635                 0.137584                 0
2         2023-01-03       709       724        1051                   0.0            3.064917                 0.093089                 0
3         2023-01-04       264       292         660                   0.0            6.493151                 0.280303                 0
4         2023-01-05       503       523         882                   0.0            3.766730                 0.143141                 0
5         2023-01-06       423       437         735                   0.0            3.565217                 0.120567                 0
6         2023-01-07        97       102         146                   0.0            3.529412                 0.134021                 0
7         2023-01-08        70        71         169                   0.0            6.521127                 0.100000                 0
8         2023-01-09       301       337         721                   0.0            5.961424                 0.265781                 0
9         2023-01-10       313       352         678                   0.0            5.852273                 0.236422                 0

登录后复制