python - 将多个 JSON 记录读入 Pandas 数据帧

Question

我想知道是否有一种内存有效的方式将多记录 JSON 文件(每行是一个 JSON 字典)读入 pandas 数据帧。下面是一个带有工作解决方案的 2 行示例，我需要它来处理可能非常大量的记录。示例用途是处理来自 Hadoop Pig JSonStorage 函数的输出。

import json
import pandas as pd

test='''{"a":1,"b":2}
{"a":3,"b":4}'''
#df=pd.read_json(test,orient='records') doesn't work, expects []

l=[ json.loads(l) for l in test.splitlines()]
df=pd.DataFrame(l)

Answer 1

注意:read_json 现在支持行分隔的 json (从 0.19.0 开始):

In [31]: pd.read_json('{"a":1,"b":2}\n{"a":3,"b":4}', lines=True)
Out[31]:
   a  b
0  1  2
1  3  4

或使用文件/文件路径而不是 json 字符串:

pd.read_json(json_file, lines=True)

---

这将取决于数据帧的大小，哪个更快，但另一种选择是使用 str.join 粉碎你的多行“JSON”(注意:它不是有效的 json)，转换成有效的 json 并使用 read_json:

In [11]: '[%s]' % ','.join(test.splitlines())
Out[11]: '[{"a":1,"b":2},{"a":3,"b":4}]'

对于这个小例子来说，这比较慢，如果在 100 左右，它是相似的，如果它更大的话， yield 会很显着......

In [21]: %timeit pd.read_json('[%s]' % ','.join(test.splitlines()))
1000 loops, best of 3: 977 µs per loop

In [22]: %timeit l=[ json.loads(l) for l in test.splitlines()]; df = pd.DataFrame(l)
1000 loops, best of 3: 282 µs per loop

In [23]: test_100 = '\n'.join([test] * 100)

In [24]: %timeit pd.read_json('[%s]' % ','.join(test_100.splitlines()))
1000 loops, best of 3: 1.25 ms per loop

In [25]: %timeit l = [json.loads(l) for l in test_100.splitlines()]; df = pd.DataFrame(l)
1000 loops, best of 3: 1.25 ms per loop

In [26]: test_1000 = '\n'.join([test] * 1000)

In [27]: %timeit l = [json.loads(l) for l in test_1000.splitlines()]; df = pd.DataFrame(l)
100 loops, best of 3: 9.78 ms per loop

In [28]: %timeit pd.read_json('[%s]' % ','.join(test_1000.splitlines()))
100 loops, best of 3: 3.36 ms per loop

注意:那个时候连接速度出奇的快。