Marco de datos de Pandas a JSON

Marco De Datos De Pandas A Json



“Los “pandas” brindan la facilidad para la manipulación de datos y el análisis de datos. En el mundo moderno, el análisis de datos es una herramienta enormemente valiosa. Para completar esta tarea, una variedad de estructuras de datos están disponibles en informática. En 'pandas', tenemos el DataFrame, que también se convierte a 'JSON'. Podemos explicar 'JSON' ya que es un texto que usa notaciones de objetos de JavaScript. La transferencia de datos entre servidores y aplicaciones web utiliza el 'JSON'. En esta guía, examinaremos la conversión de formato JSON de DataFrames. Para esta conversión de DataFrame a “Json”, los “pandas” proporcionan el método “to_json()”. Siempre que necesitemos convertir el DataFrame al formato 'JSON', utilizamos el método 'to_json()' de los 'pandas'. Para comprender mejor cómo utilizar la función de 'pandas', que es 'to_json', veamos algunos códigos de 'pandas' aquí en esta guía'.

Ejemplo # 01
Demostraremos en la práctica cómo utilizar el método 'to_json()' de 'pandas' para cambiar el marco de datos 'pandas' al formato JSON. El paquete 'pandas' se importa aquí, que es el 'numpy', y lo importamos como 'np'. Ahora, para ejecutar el código 'pandas', se deben importar los paquetes del panda. Para importar ese paquete, utilizamos la palabra clave 'importar'. Luego, configuramos 'pandas como pd', lo que significa que podemos acceder fácilmente o utilizar cualquier 'paquete de pandas' que necesitemos simplemente colocando el 'pd' allí.

Creamos la matriz numpy aquí utilizando el 'np. array”, este “np” nos ayuda a acceder a las funciones de la biblioteca numpy. Esta matriz numpy también se almacena en la variable 'New_data', y colocamos 'A, B, C, D' y 'E, F, G, H' en esta matriz numpy. Esta matriz numpy ahora se convierte en DataFrame utilizando el método 'pd.DataFrame'. Este es el método “pandas” al que accedemos aquí colocando el “pd”. Cuando convertimos esta matriz numpy en DataFrame, también ponemos los nombres de las columnas.







Los nombres que agregamos aquí como encabezados de columna son 'col1, col2, col3 y col4'. Luego verá que tenemos la 'impresión' a continuación en la que establecemos el nombre del DataFrame, que en este caso es 'New_dataFrame', por lo que se representará en la ejecución de este código. Ahora, estamos convirtiendo este DataFrame al formato JSON utilizando el método 'to_json()'. Establecemos el nombre del DataFrame 'New_dataFrame' con el método 'to_json()' y también colocamos este método en la variable 'New_json'. Aquí, no pasamos ningún parámetro a este método 'to_json()'. El formato JSON del DataFrame ahora se coloca en 'impresión' y también se representará en la consola.





Para la compilación y ejecución de este código, presionamos 'Shift + Enter' y si el código no tiene errores, la salida se procesará. Aquí también pegamos el resultado de este código en el que hemos mostrado el DataFrame que hemos creado en este ejemplo y también el formato JSON de ese DataFrame.





Ejemplo # 02
Aquí, importamos solo una biblioteca, que es 'pandas' y luego se crea la lista 'AtoZ_Courses', y colocamos algunas listas en ella, que son 'Python, 29000, 35 días y 1000.0', luego ponemos ' JavaScript, 27000, 55 días y 2300.0”, luego agregamos “HTMLCSS, 25000, 25 días y 1500.0”. Ahora, también insertamos dos datos más como 'Base de datos, 24000, 45 días y 1500.0', y 'OOP, 21000, 35 días, 1500.0' también. La lista 'AtoZ_Courses' ahora se cambió en el DataFrame y la llamamos 'AtoZ_Courses_df'. El 'Nombre_del_curso, Pago, Duración y Bonificación' se agregan aquí como los nombres de las columnas del marco de datos.



Ahora, el DataFrame se genera en este paso y lo agregamos en la declaración 'print ()' para mostrarlo en la terminal. Ahora, usando el método “to_json()”, estamos transformando el DataFrame “AtoZ_Courses_df” al formato JSON. Este método 'to_json()' también recibe un parámetro que es 'orientar = columna', que también es el parámetro predeterminado. Muestra el DataFrame como el dictado como 'formato {nombre de columna -> {valor de índice -> valor de columna}}'.

Aquí, en formato JSON, muestra el nombre de la columna y luego coloca todos los valores de esa columna junto con el valor del índice. Primero, menciona el nombre de la primera columna, y luego todos los valores de la primera columna se representan junto con los valores de índice, y luego pone el nombre de la segunda columna y también todos los valores de la segunda columna con índices y así sucesivamente.

Ejemplo # 03
El DataFrame se genera en este código con el nombre “Bachelors_df”. Hemos insertado cinco columnas en este “Bachelors_df”. La primera columna que tenemos aquí es la columna 'Estudiante', e insertamos 'Lily, Smith, Bromley, Milli y Alexander' en ella. La columna que viene a continuación es la columna 'Título', que contiene 'TI, BBA, Inglés, CS y DVM'. Luego viene el 'año_de_unión' donde agregamos los años de ingreso de los estudiantes, que son '2015, 2018, 2017, 2015 y 2014'.

La columna al lado de esta columna es 'año_de_graduación', que contiene los años de graduación de esos estudiantes que son '2019, 2022, 2021, 2019 y 2018'. También agregamos aquí la columna 'CGPA' en la que colocamos los CGPA de los estudiantes '3.3, 3.5, 3.6, 3.7 y 3.8'. Para mostrar “Bachelors_df” en la terminal, lo incluimos en la expresión “print()”. Ahora, estamos convirtiendo el DataFrame 'Bachelors_df' al formato JSON usando el método 'to_json()'.

El parámetro “orient=registros” también se pasa a este método “to_json()” en este código. Este 'orientar = registros' mostrará el formato JSON como '[{nombre de columna -> valor de columna}, ..., {nombre de columna -> valor de columna}]'. El formato JSON de DataFrame ahora está configurado para 'imprimir' y también se mostrará en la terminal.

El DataFrame simplemente se muestra aquí en forma de columnas y filas, pero en el formato JSON, puede notar que pone el nombre de la columna y luego muestra el valor de esa columna; después de mostrar el valor de una columna, imprime el nombre de la segunda columna y luego pone el valor de esa columna y así sucesivamente porque configuramos el parámetro del método 'to_josn' como 'orient = registros'.

Ejemplo # 04
Creamos una matriz numpy 'My_data' en la que insertamos '2, 4' y '6, 8'. Luego cambie la matriz numpy en el DataFrame 'My_dataFrame' y establezca sus nombres de columna como 'A1 y A2'. Ahora, después de mostrar el DataFrame aquí usando 'imprimir'. Primero utilizamos el método 'to_json()' sin ningún parámetro y lo mostramos. Después de esto, configuramos el parámetro de los métodos 'to_json ()' en 'orientar = dividir' y también imprimimos este formato. Luego aplicamos “to_josn()” nuevamente a “My_dataFrame” y esta vez, pasamos “orient=records” como parámetro de esta función.

Debajo de esto, ponemos “orient=index” con “My_dataFrame” y renderizamos este formato JSON. Después de este parámetro, utilizamos nuevamente 'to_json' con el parámetro 'orientar = columna' y también lo renderizamos. Luego pasamos “orient=values” como parámetro del método “to_json()” y lo aplicamos a “My_dataFrame”. También configuramos el parámetro de esta función en 'orientar = tabla' y lo usamos nuevamente con el mismo marco de datos y también mostramos este formato JSON. Ahora, notaremos la diferencia entre los formatos de JSON en la salida de este código.

Aquí puede encontrar fácilmente la diferencia entre los formatos del JSON, que hemos aplicado al mismo DataFrame. Todos los parámetros que hemos pasado en el método 'to_json' aparecen aquí en diferentes formatos.

Conclusión

Esta guía muestra el formato JSON y ha explicado este formato JSON en detalle y cómo convertir el marco de datos de pandas en JSON. Hemos explicado que el método “to_json()” se utiliza para convertir el DataFrame de pandas al formato JSON. También hemos discutido diferentes parámetros, que hemos pasado al método “to_json()” aquí. Hemos proporcionado una guía completa en la que hemos utilizado los métodos 'to_json ()' al colocar todos los parámetros posibles para este método 'to_json ()' en nuestro código 'pandas' y también les mostramos en la salida cómo estos parámetros cambian el formato del JSON.