从mongo导入具体数据到pandas dataframe

Question

我在 mongodb 中的一个集合中有大量数据需要分析，使用 pandas 和 jupyter 中的 pymongo。 我正在尝试导入 dataframe 中的特定数据。

样本数据。

{
    "stored": "2022-04-xx",
    ...
    ...
    "completedQueues": [
        "STATEMENT_FORWARDING_QUEUE",
        "STATEMENT_PERSON_QUEUE",
        "STATEMENT_QUERYBUILDERCACHE_QUEUE"
    ],
    "activities": [
        "https://example.com
    ],
    "hash": "xxx",
    "agents": [
        "mailto:example@example.com"
    ],
    "statement": {                                  <=== I want to import the data from "statement"
        "authority": {
            "objectType": "Agent",
            "name": "xxx",
            "mbox": "mailto:example@example.com"
        },
        "stored": "2022-04-xxx",
        "context": {
            "platform": "Unknown",
            "extensions": {
                "http://example.com",
                "xxx.com": {
                    "user_agent": "xxx"
                },
                "http://example.com": ""
            }
        },
        "actor": {
            "objectType": "xxx",
            "name": "xxx",
            "mbox": "mailto:example@example.com"
        },
        "timestamp": "2022-04-xxx",
        "version": "1.0.0",
        "id": "xxx",
        "verb": {
            "id": "http://example.com",
            "display": {
                "en-US": "viewed"
            }
        },
        "object": {
            "objectType": "xxx",
            "id": "https://example.com",
            "definition": {
                "type": "http://example.com",
                "name": {
                    "en-US": ""
                },
                "description": {
                    "en-US": "Viewed"
                }
            }
        }
    },                                             <=== up to here
    "hasGeneratedId": true,
    ...
    ...
}

请注意，我只对嵌套在“语句”下的数据感兴趣，而不对包含字符串的任何数据感兴趣，即它上面的“STATEMENT_FORWARDING_QUEUE”。

我想要完成的是从 dataframe 中的“声明”（如上所示）导入数据，并以如下方式排列它们：

ID	权限对象类型	权威名称	权限 mbox	存储	语境平台	上下文扩展	演员对象类型	演员姓名	...
00	代理人	xxx	邮箱	2022-	未知	http://1	xxx	xxx	...
01	代理人	yyy	邮箱	2022-	未知	http://2	yyy	yyy	...

这个想法是能够访问任何数据，如“权限名称”或“参与者对象类型”。

我努力了：

df = pd.DataFrame(list(collection.find(query)(filters)))
df = json_normalize(list(collection.find(query)(filters)))

使用各种查询、过滤器和切片，以及聚合和映射/减少，但没有产生正确的 output。

我还想根据“存储”字段（sort('$natural',-1)?）进行排序（从最新到最旧），并且也可能将 limit(xx) 应用于 dataframe。

有任何想法吗？

提前致谢。

Answer 1

尝试这个

df = json_normalize(list(
    collection.aggregate([
        {
            "$match": query
        },
        {
            "$replaceRoot": {
                "newRoot": "$statement"
            }
        }
    ])
)

Answer 2

感谢您的回答，@pavel。 它是正确的，几乎可以解决问题。

我还添加了排序和限制，所以如果有人感兴趣，最终代码如下所示：

df = json_normalize(list(
  statements_coll.aggregate([
    {
        "$match": query
    },
    {
        "$replaceRoot": {
            "newRoot": "$statement"
        }
    },
    { 
        "$sort": { 
            "stored": -1 
        }
    },
    {
        "$limit": 10 
    }
  ]) 
))