一、本节用到的基础知识
1.逐行读取文件
for line in open(‘E:\Demo\python\json.txt‘): print line
2.解析json字符串
Python中有一些内置模块可以非常便捷地将json字符串转换为Python对象。比如json模块中的json.relaods()方法可以将json字符串解析为相应的字典。
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
运行结果:
{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
详见:http://www.cnblogs.com/janes/p/5530979.html
二、将json文件解析为字典列表
要对json文件进行分析,首先我们逐行读取该文件,并把每行转换成对应的字典对象,然后组成一个列表。
import json #读取文件并解析为字典组成的列表 dicList=[json.loads(line) for line in open(‘E:\Demo\python\json.txt‘)] #打印第一个字典元素 print dicList[0] #打印第一个元素中的时区 print dicList[0][‘tz‘]
运行结果:
{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标准库统计json文件中的时区数据
1.首先将所有时区数据放在一个列表中
#获取所有时区数据 timezones=[item[‘tz‘] for item in dicList if ‘tz‘ in item] #测试打印前五条 print timezones[0:5]
运行结果:
[u‘America/New_York‘, u‘America/Denver‘, u‘America/New_York‘, u‘America/Sao_Paulo‘, u‘America/New_York‘]
2.然后将时区列表转换为时区计数字典,key为时区名,value为出现次数。
#自定义函数,统计时区出现次数 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 #自定义函数,返回top N def countTop(dicCount,n): valueKeyItems=[(value,key) for key,value in dicCount.items()] valueKeyItems.sort() return valueKeyItems[-n:] #测试并打印出现次数最多的5个时区 count=countZone(timezones) print countTop(count,5)
运行结果:
[(191, u‘America/Denver‘), (382, u‘America/Los_Angeles‘), (400, u‘America/Chicago‘), (521, u‘‘), (1251, u‘America/New_York‘)]
3.利用defaultdict简化函数countZone函数
Python标准库collections对一些数据结构进行了拓展操作,使用起来更加便捷,其中defaultdict可以给字典赋值默认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简化countTop函数
from collections import Counter def countTop(dicCount,n): return Counter(dicCount).most_common(n)
5.完整代码
# -*- coding: utf-8 -*- import json #1.读取文件并转换为字典列表 #读取文件并解析为字典组成的列表 dicList=[json.loads(line) for line in open(‘E:\Demo\python\json.txt‘)] #2.统计时区 #获取所有时区数据 timezones=[item[‘tz‘] for item in dicList if ‘tz‘ in item] #统计时区出现次数 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) #测试并打印出现次数最多的5个时区 count=countZone(timezones) print countTop(count,5)
#运行结果:[(u‘America/New_York‘, 1251), (u‘‘, 521), (u‘America/Chicago‘, 400), (u‘America/Los_Angeles‘, 382), (u‘America/Denver‘, 191)]
四 利用pandas统计json文件中的时区数据
1.运用DataFrame统计时区数据
①DataFrame是pandas中很常用的数据结构,它把数据转换为一个类似表格的结构。
# -*- 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) #测试打印时区列表中前5个元素 print frame[‘tz‘][:5]
运行结果:
0 America/New_York
1 America/Denver
2 America/New_York
3 America/Sao_Paulo
4 America/New_York
②frame[‘tz‘]有value_counts()函数,可以直接返回对应的计数。
#打印出现次数最多的5个时区
print frame[‘tz‘].value_counts()[:5]
运行结果:
America/New_York 1251
521
America/Chicago 400
America/Los_Angeles 382
America/Denver 191
③为不存在时区数据或者时区为空字符串的数据补全默认值。
fillna()函数可以补全不存在的字段;空字符串可以通过布尔型索引的形式进行替换。
tzList=frame[‘tz‘].fillna(‘Missing‘) tzList[tzList ==‘‘]=‘Unknown‘ print tzList.value_counts()[:5]
运行结果:
America/New_York 1251
Unknown 521
America/Chicago 400
America/Los_Angeles 382
America/Denver 191
这样我们就完成了之前用标准Python库相同的工作,完整代码如下:
# -*- 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) #打印出现次数最多的5个时区 print frame[‘tz‘].value_counts()[:5] #补全时区不存在或者为空的情况 tzList=frame[‘tz‘].fillna(‘Missing‘) tzList[tzList ==‘‘]=‘Unknown‘ print tzList.value_counts()[:5]
2.利用plot方法绘制垂直条形图
参考:http://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.plot.html
tzList.value_counts()[:5].plot(kind=‘bar‘,rot=0)
运行:我们可以利用%paste命令将代码粘贴运行。
命令行:
ipython %pylab %paste
运行结果:
本文用到的json文件:点此下载
参考:《利用Python进行数据分析》
如需转载,请标明出处:http://www.cnblogs.com/janes/p/5546673.html