Python【8】-分析json文件

一、本節用到的基礎知識

1.逐行讀取文件

for line in open('E:\Demo\python\json.txt'):
    print line

2.解析json字元串

Python中有一些內置模塊可以非常便捷地將json字元串轉換為Python對象。比如json模塊中的json.relaods()方法可以將json字元串解析為相應的字典。

import json

s='{ "a": "GoogleMaps\/RochesterNY", "c": "US", "nk": 0, "tz": "America\/Denver", "gr": "UT", "g": "mwszkS", "h": "mwszkS", "l": "bitly", "hh": "1.usa.gov", "r": "http:\/\/www.AwareMap.com\/", "u": "http:\/\/www.monroecounty.gov\/etc\/911\/rss.php", "t": 1331926741, "hc": 1308262393, "cy": "Provo", "ll": [ 40.218102, -111.613297 ] }'
o=json.loads(s)
print o

運行結果：

{u'a': u'GoogleMaps/RochesterNY', u'c': u'US', u'nk': 0, u'tz': u'America/Denver', u'gr': u'UT', u'g': u'mwszkS', u'h': u'mwszkS', u'cy': u'Provo', u'l': u'bitly', u'hh': u'1.usa.gov', u'r': u'http://www.AwareMap.com/', u'u': u'http://www.monroecounty.gov/etc/911/rss.php', u't': 1331926741, u'hc': 1308262393, u'll': [40.218102, -111.613297]}

3.列表生成式

詳見：http://www.cnblogs.com/janes/p/5530979.html

二、將json文件解析為字典列表

要對json文件進行分析，首先我們逐行讀取該文件，並把每行轉換成對應的字典對象，然後組成一個列表。

import json
#讀取文件並解析為字典組成的列表
dicList=[json.loads(line) for line in open('E:\Demo\python\json.txt')]
#列印第一個字典元素
print dicList[0]
#列印第一個元素中的時區
print dicList[0]['tz']

運行結果：

{u'a': u'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.78 Safari/535.11', u'c': u'US', u'nk': 1, u'tz': u'America/New_York', u'gr': u'MA', u'g': u'A6qOVH', u'h': u'wfLQtf', u'cy': u'Danvers', u'l': u'orofrog', u'al': u'en-US,en;q=0.8', u'hh': u'1.usa.gov', u'r': u'http://www.facebook.com/l/7AQEFzjSi/1.usa.gov/wfLQtf', u'u': u'http://www.ncbi.nlm.nih.gov/pubmed/22415991', u't': 1331923247, u'hc': 1331822918, u'll': [42.576698, -70.954903]}

America/New_York

三、利用Python標準庫統計json文件中的時區數據

1.首先將所有時區數據放在一個列表中

#獲取所有時區數據
timezones=[item['tz'] for item in dicList if 'tz' in item]
#測試列印前五條
print timezones[0:5]

運行結果：

[u'America/New_York', u'America/Denver', u'America/New_York', u'America/Sao_Paulo', u'America/New_York']

2.然後將時區列表轉換為時區計數字典，key為時區名，value為出現次數。

#自定義函數，統計時區出現次數
def countZone(timezones):
    count_zone={}
    for tz in timezones:
        if(tz in count_zone):
            count_zone[tz]+=1
        else:
            count_zone[tz]=1
    return count_zone

#自定義函數，返回top N
def countTop(dicCount,n):
    valueKeyItems=[(value,key) for key,value in dicCount.items()]
    valueKeyItems.sort()
    return valueKeyItems[-n:]
    
#測試並列印出現次數最多的5個時區    
count=countZone(timezones)
print countTop(count,5)

運行結果：

[(191, u'America/Denver'), (382, u'America/Los_Angeles'), (400, u'America/Chicago'), (521, u''), (1251, u'America/New_York')]

3.利用defaultdict簡化函數countZone函數

Python標準庫collections對一些數據結構進行了拓展操作，使用起來更加便捷，其中defaultdict可以給字典賦值預設value。

from collections import defaultdict,Counter
def countZone(timezones):
    count_zone=defaultdict(int)
    for tz in timezones:
        count_zone[tz]+=1
    return count_zone

4.利用collections.Counter簡化countTop函數

from collections import Counter

def countTop(dicCount,n):
    return Counter(dicCount).most_common(n)

5.完整代碼

# -*- coding: utf-8 -*-
import json
#1.讀取文件並轉換為字典列表
#讀取文件並解析為字典組成的列表
dicList=[json.loads(line) for line in open('E:\Demo\python\json.txt')]

#2.統計時區
#獲取所有時區數據
timezones=[item['tz'] for item in dicList if 'tz' in item]

#統計時區出現次數
from collections import defaultdict,Counter
def countZone(timezones):
    count_zone=defaultdict(int)
    for tz in timezones:
        count_zone[tz]+=1
    return count_zone

#返回top N
def countTop(dicCount,n):
    return Counter(dicCount).most_common(n)
    
#測試並列印出現次數最多的5個時區    
count=countZone(timezones)
print countTop(count,5)

#運行結果：[(u'America/New_York', 1251), (u'', 521), (u'America/Chicago', 400), (u'America/Los_Angeles', 382), (u'America/Denver', 191)]

四 利用pandas統計json文件中的時區數據

1.運用DataFrame統計時區數據

①DataFrame是pandas中很常用的數據結構，它把數據轉換為一個類似表格的結構。

# -*- coding: utf-8 -*-
import json
from pandas import DataFrame
dicList=[json.loads(line) for line in open('E:\Demo\python\json.txt')]
frame=DataFrame(dicList)
#測試列印時區列表中前5個元素
print frame['tz'][:5]

運行結果：

0     America/New_York

1       America/Denver

2     America/New_York

3    America/Sao_Paulo

4     America/New_York

②frame['tz']有value_counts()函數，可以直接返回對應的計數。

#列印出現次數最多的5個時區

print frame['tz'].value_counts()[:5]

運行結果：

America/New_York       1251

                                 521

America/Chicago         400

America/Los_Angeles     382

America/Denver          191

③為不存在時區數據或者時區為空字元串的數據補全預設值。

fillna()函數可以補全不存在的欄位；空字元串可以通過布爾型索引的形式進行替換。

tzList=frame['tz'].fillna('Missing')
tzList[tzList =='']='Unknown'
print tzList.value_counts()[:5]

運行結果：

America/New_York       1251

Unknown                 521

America/Chicago         400

America/Los_Angeles     382

America/Denver          191

這樣我們就完成了之前用標準Python庫相同的工作，完整代碼如下：

# -*- coding: utf-8 -*-
import json
from pandas import DataFrame
dicList=[json.loads(line) for line in open('E:\Demo\python\json.txt')]
frame=DataFrame(dicList)
#列印出現次數最多的5個時區
print frame['tz'].value_counts()[:5]

#補全時區不存在或者為空的情況
tzList=frame['tz'].fillna('Missing')
tzList[tzList =='']='Unknown'
print tzList.value_counts()[:5]

2.利用plot方法繪製垂直條形圖

參考：http://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.plot.html

tzList.value_counts()[:5].plot(kind='bar',rot=0)

運行：我們可以利用%paste命令將代碼粘貼運行。

命令行：

ipython

%pylab

%paste

運行結果：

本文用到的json文件：點此下載

參考：《利用Python進行數據分析》

如需轉載，請標明出處：http://www.cnblogs.com/janes/p/5546673.html