pandas.read_json

pandas.read_json(path_or_buf=None, orient=None, typ='frame', dtype=True, convert_axes=True, convert_dates=True, keep_default_dates=True, numpy=False, precise_float=False, date_unit=None, encoding=None, lines=False, chunksize=None, compression='infer') [source]

Преобразование JSON-строки в объект pandas.

Параметры:

path_or_buf : a valid JSON string or file-like, default: None Строка может быть URL-адресом. Допустимые схемы URL включают http, ftp, s3, gcs и file. Для URL-адресов файлов ожидается хост. Например, локальный файл может быть file://localhost/path/to/table.json orient : string, Указание ожидаемого формата JSON-строки. Совместимые JSON-строки могут быть получены с помощью to_json() со значением orient. Множество возможных значений orient: 'split' : словарь, подобный {index -> [index], columns -> [columns], data -> [values]} 'records' : список, подобный [{column -> value}, ... , {column -> value}] 'index' : словарь, подобный {index -> {column -> value}} 'columns' : словарь, подобный {column -> {index -> value}} 'values' : только массив значений Допустимые и значения по умолчанию зависят от значения параметра typ. если typ == 'series', допустимые значения orient — {'split','records','index'} значение по умолчанию — 'index' индекс Series должен быть уникальным для orient 'index'. если typ == 'frame', допустимые значения orient — {'split','records','index', 'columns','values', 'table'} значение по умолчанию — 'columns' индекс DataFrame должен быть уникальным для orient 'index' и 'columns'. столбцы DataFrame должны быть уникальными для orient 'index', 'columns' и 'records'. Введено в версии 0.23.0: ‘table’ как допустимое значение для аргумента orient typ : type of object to recover (series or frame), default ‘frame’ dtype : boolean or dict, default True Если True, определить типы данных, если словарь сопоставления столбца и типа данных, тогда использовать их, если False, тогда не определять типы данных вообще, относится только к данным. convert_axes : boolean, default True Попытаться преобразовать оси в правильные типы данных. convert_dates : boolean, default True Список столбцов для разбора дат; Если True, то попытаться разобрать столбцы типа даты, значение по умолчанию — True; метка столбца имеет тип даты, если она заканчивается на '_at', она заканчивается на '_time', она начинается с 'timestamp', она является 'modified', или она является 'date' keep_default_dates : boolean, default True Если анализируются даты, то проанализировать столбцы по умолчанию типа даты numpy : boolean, default False Прямое декодирование в массивы numpy. Поддерживаются только числовые данные, но поддерживаются и нечисловые метки столбцов и индексов. Обратите также внимание, что порядок JSON ДОЛЖЕН быть одинаковым для каждого элемента, если numpy=True. precise_float : boolean, default False Установите, чтобы включить использование функции с большей точностью (strtod) при декодировании строки в двойные значения. Значение по умолчанию (False) — использовать быструю, но менее точную встроенную функциональность date_unit : string, default None Единица временной метки для определения, если требуется преобразование дат. Поведение по умолчанию заключается в попытке определить правильную точность, но если это нежелательно, то передать одно из значений ‘s’, ‘ms’, ‘us’ или ‘ns’, чтобы принудительно разобрать только секунды, миллисекунды, микросекунды или наносекунды соответственно. encoding : str, default is ‘utf-8’ Кодировка, используемая для декодирования py3 байтов. Введено в версии 0.19.0. lines : boolean, default False Чтение файла как объекта json на строку. Введено в версии 0.19.0. chunksize : integer, default None Возвращает объект JsonReader для итерации. См. документацию по JSON с разделителями строк для получения дополнительной информации о chunksize. Это можно передать только если lines=True. Если это None, то файл будет прочитан в память сразу. Введено в версии 0.21.0. compression : {‘infer’, ‘gzip’, ‘bz2’, ‘zip’, ‘xz’, None}, default ‘infer’ Для сжатия на лету данных на диске. Если ‘infer’, то использовать gzip, bz2, zip или xz, если путь_или_буфер — строка, заканчивающаяся на ‘.gz’, ‘.bz2’, ‘.zip’ или ‘xz’ соответственно, и не сжимать в противном случае. При использовании ‘zip’ ZIP-файл должен содержать только один файл данных для чтения. Установите в значение None для отключения сжатия. Введено в версии 0.21.0.

Возвращает:

result : Series or DataFrame, depending on the value of typ.

См. также

DataFrame.to_json

Примечания

В частности, для orient='table', если DataFrame с буквальным именем Index index записывается с to_json(), последующая операция чтения неправильно установит имя Index в None. Это происходит потому, что index также используется DataFrame.to_json() для обозначения отсутствующего имени Index, и последующая операция read_json() не может отличить одно от другого. То же ограничение встречается с MultiIndex и любыми именами, начинающимися с 'level_'.

Примеры

>>> df = pd.DataFrame([['a', 'b'], ['c', 'd']],
...                   index=['row 1', 'row 2'],
...                   columns=['col 1', 'col 2'])

Кодирование/декодирование DataFrame с использованием 'split' отформатированного JSON:

>>> df.to_json(orient='split')
'{"columns":["col 1","col 2"],
  "index":["row 1","row 2"],
  "data":[["a","b"],["c","d"]]}'
>>> pd.read_json(_, orient='split')
      col 1 col 2
row 1     a     b
row 2     c     d

Кодирование/декодирование DataFrame с использованием 'index' отформатированного JSON:

>>> df.to_json(orient='index')
'{"row 1":{"col 1":"a","col 2":"b"},"row 2":{"col 1":"c","col 2":"d"}}'
>>> pd.read_json(_, orient='index')
      col 1 col 2
row 1     a     b
row 2     c     d

Кодирование/декодирование DataFrame с использованием 'records' отформатированного JSON. Обратите внимание, что метки индекса не сохраняются при этом кодировании.

>>> df.to_json(orient='records')
'[{"col 1":"a","col 2":"b"},{"col 1":"c","col 2":"d"}]'
>>> pd.read_json(_, orient='records')
  col 1 col 2
0     a     b
1     c     d

Кодирование со схемой таблицы

>>> df.to_json(orient='table')
'{"schema": {"fields": [{"name": "index", "type": "string"},
                        {"name": "col 1", "type": "string"},
                        {"name": "col 2", "type": "string"}],
                "primaryKey": "index",
                "pandas_version": "0.20.0"},
    "data": [{"index": "row 1", "col 1": "a", "col 2": "b"},
            {"index": "row 2", "col 1": "c", "col 2": "d"}]}'