Pandas DataFrame à JSON

Pandas DataFrame à JSON
«Les« Pandas »fournissent l'installation pour la manipulation des données ainsi que l'analyse des données. Dans le monde moderne, l'analyse des données est un outil extrêmement précieux. Pour accomplir cette tâche, une variété de structures de données sont disponibles en informatique. Dans «Pandas», nous avons le DataFrame, qui est également converti en «JSON». Nous pouvons expliquer «JSON» car c'est un texte qui utilise des notations d'objets JavaScript. Le transfert de données entre les serveurs et les applications Web utilise le «JSON». Dans ce guide, nous examinerons la conversion de format JSON de DataFrames. Pour cette conversion de la dataframe en "JSON", le "pandas" fournit la méthode "to_json ()". Chaque fois que nous devons convertir le format DataFrame au format "JSON", nous utilisons la méthode "TO_JSON ()" des "pandas". Pour mieux comprendre comment utiliser la fonction de «pandas» qui est «to_json», regardons quelques codes de «pandas» ici dans ce guide."

Exemple # 01
Nous allons démontrer dans la pratique comment utiliser la méthode «to_json ()» de «pandas» pour modifier le «pandas» Dataframe au format JSON. Le package «Pandas» est importé ici, qui est le «Numpy», et nous l'importons comme «NP». Maintenant, pour exécuter le code «pandas», les packages du panda doivent être importés. Pour importer ce package, nous utilisons le mot-clé «IMPORT». Ensuite, nous définissons «Pandas as PD», ce qui signifie que nous pouvons facilement accéder ou utiliser n'importe quel «package Pandas» dont nous avons besoin en plaçant simplement le «PD» là-bas.

Nous créons le tableau Numpy ici en utilisant le «NP. Array », ce« NP »nous aide à accéder aux fonctions de la bibliothèque Numpy. Ce tableau Numpy est également stocké dans la variable «new_data», et nous mettons «A, B, C, D» et «E, F, G, H» à ce tableau nu. Ce tableau Numpy est désormais converti en DataFrame en utilisant le «PD.Méthode DataFrame ». Ceci est la méthode des «pandas» auxquelles nous accéderons ici en plaçant le «PD». Lorsque nous convertissons ce tableau Numpy en DataFrame, nous avons également mis les noms de colonne.

Les noms que nous ajoutons ici en tant qu'en-têtes de colonne sont «Col1, Col2, Col3 et Col4». Ensuite, vous voyez que nous avons «l'impression» ci-dessous dans laquelle nous définissons le nom du DataFrame, qui dans ce cas est «new_dataframe», donc cela sera rendu sur l'exécution de ce code. Maintenant, nous convertissons ce DataFrame au format JSON en utilisant la méthode "to_json ()". Nous définissons le nom de la méthode "new_dataframe" avec la méthode "TO_JSON ()" et placons également cette méthode dans la variable "new_json". Ici, nous n'avons transmis aucun paramètre à cette méthode «to_json ()». Le format JSON du DataFrame est désormais placé dans «Print» et il rendra également sur la console.

Pour la compilation et l'exécution de ce code, nous appuyons sur «Shift + Entrée» et si le code est sans erreur, la sortie rendra. Ici, nous colletons également le résultat de ce code dans lequel nous avons montré le DataFrame que nous avons créé dans cet exemple et aussi le format JSON de ce DataFrame.

Exemple # 02
Ici, nous n'importons qu'une seule bibliothèque, qui est la liste des «pandas», puis la liste «AToz_Courses» est créée, et nous y trouvons quelques listes, qui sont «Python, 29000, 35 jours et 1000.0 ”, puis nous mettons« Javascript, 27000, 55 jours et 2300.0 ”, après cela, nous ajoutons« htmlcss, 25000, 25 jours et 1500.0 ”. Maintenant, nous avons également inséré deux données supplémentaires comme «Base de données, 24000, 45 jours et 1500.0 ”et« OOP, 21000, 35 jours, 1500.0 ”aussi. La liste «AToZ_Courses» est désormais modifiée dans le DataFrame, et nous l'avons nommée «ATOZ_COURSES_DF». Les «cours_name, le paiement, la durée et la prime» sont ajoutés ici comme les noms de colonne du dataframe.

Maintenant, le dataframe est généré à cette étape, et nous l'ajoutons dans l'instruction «print ()» pour l'afficher sur le terminal. Maintenant, en utilisant la méthode "to_json ()", nous transformons le dataframe "atoz_Courses_df" au format JSON. Cette méthode «to_json ()» reçoit également un paramètre qui est «orient = colonne», qui est également le paramètre par défaut. Il affiche le DataFrame comme le dict comme «Nom de la colonne -> Valeur d'index -> Valeur de colonne Format».

Ici, au format JSON, il affiche le nom de la colonne, puis met toutes les valeurs de cette colonne avec la valeur d'index. Tout d'abord, il mentionne le nom de la première colonne, puis toutes les valeurs de la première colonne sont rendues avec les valeurs d'index, puis il place le nom de la deuxième colonne et également toutes les valeurs de la deuxième colonne avec des index et ainsi de suite.

Exemple # 03
Le DataFrame est généré dans ce code avec le nom «Bachelor_DF». Nous avons inséré cinq colonnes à ce "bacheliers_df". La première colonne que nous avons ici est la colonne «étudiante», et nous insérons «Lily, Smith, Bromley, Milli et Alexander». La colonne qui vient ensuite est la colonne «degré», qui contient «It, BBA, anglais, CS et DVM». Ensuite, le «Year_of_joining» se présente où nous ajoutons les années de jointure des étudiants, qui sont «2015, 2018, 2017, 2015 et 2014».

La colonne à côté de cette colonne est «Year_Of_Graduation», qui contient les années de remise des diplômes de ces étudiants, «2019, 2022, 2021, 2019 et 2018». Nous ajoutons également la colonne «CGPA» ici dans laquelle nous plaçons les CGPA des étudiants «3.3, 3.5, 3.6, 3.7, et 3.8 ”. Pour afficher «Bachelor_DF» sur le terminal, nous l'incluons dans l'expression «print ()». Maintenant, nous convertissons le DataFrame "Bachelor_DF" en format JSON en utilisant la méthode "TO_JSON ()".

Le paramètre «orient = enregistrements» est également transmis à cette méthode «to_json ()» dans ce code. Ce "orient = enregistrements" affichera le format JSON comme "[Nom de la colonne -> Valeur de colonne,…, Nom de la colonne -> Valeur de colonne]". Le format JSON du DataFrame est maintenant défini sur «imprimer», et il s'affiche également sur le terminal.

Le DataFrame est simplement affiché ici sous forme de colonnes et de lignes, mais au format JSON, vous pouvez remarquer qu'il met le nom de la colonne puis affiche la valeur de cette colonne; Après avoir affiché la valeur d'une colonne, il imprime le nom de la deuxième colonne, puis mettait la valeur de cette colonne, puis ainsi parce que nous définissons le paramètre de la méthode "TO_JOSN" en tant que "orient = enregistrements".

Exemple # 04
Nous créons un tableau numpy «my_data» dans lequel nous insérons «2, 4» et «6, 8». Changez ensuite le tableau Numpy en DataFrame «MY_DATAFRAME» et définissez ses noms de colonne comme «A1 et A2». Maintenant, après avoir affiché le dataframe ici en utilisant "Print". Nous utilisons d'abord la méthode «to_json ()» sans aucun paramètre et l'affichage. Après cela, nous définissons le paramètre «to_json ()» des méthodes sur «orient = divisé» et imprimez également ce format. Ensuite, nous appliquons à nouveau le «TO_JOSN ()» au «my_dataframe» et cette fois, nous passons «orient = enregistrements» comme paramètre de cette fonction.

En dessous, nous mettons «orient = index» avec le «my_dataframe» et rendons ce format JSON. Après ce paramètre, nous utilisons à nouveau le paramètre «TO_JSON» avec le paramètre «orient = colonne» et le rend également. Ensuite, nous passons «orient = valeurs» comme paramètre de la méthode «to_json ()» et l'appliquant au «my_dataframe». Nous définissons également le paramètre de cette fonction sur «orient = table» et l'utilisons à nouveau avec le même dataframe et affichons également ce format JSON. Maintenant, nous noterons la différence entre les formats de JSON dans la sortie de ce code.

Ici, vous pouvez facilement trouver la différence entre les formats du JSON, que nous avons appliqués au même DataFrame. Tous les paramètres que nous avons passés dans la méthode «TO_JSON» apparaissent dans différents formats ici.

Conclusion

Ce guide montre le format JSON et a expliqué ce format JSON en détail et comment convertir le Pandas DataFrame en JSON. Nous avons expliqué que la méthode «to_json ()» est utilisée pour convertir le pandas dataframe au format JSON. Nous avons également discuté de différents paramètres, que nous avons transmis à la méthode «to_json ()» ici. Nous avons fourni un guide complet dans lequel nous avons utilisé les méthodes «to_json ()» en mettant tous les paramètres possibles à cette méthode «to_json ()» dans notre code «pandas» et leur avons également montré dans la sortie comment ces paramètres modifient le format du json.