如何將嵌套的 JSON 轉換為 Pandas 數據框？

Question

我知道這個問題已被問過很多次，但我似乎無法將任何解決方案應用於我的問題。

詢問：

import urllib, json
url = 'https://api.carbonintensity.org.uk/regional'
params = 'Accept: application/json'
r = requests.get(url = url, params = params) 
data = r.json()
print(data)

輸出：

{'data': [{'from': '2019-08-30T08:00Z', 'to': '2019-08-30T08:30Z', 'regions': [{'regionid': 1, 'dnoregion' : 'Scottish Hydro Electric Power Distribution', 'shortname': 'North Scotland', 'intensity': {'forecast': 32, 'index': 'very low'}, 'generationmix': [{'fuel': '生物量'，'perc'：0}，{'fuel'：'coal'，'perc'：0}，{'fuel'：'imports'，'perc'：0}，{'fuel'：'gas' , 'perc': 8.3}, {'fuel': 'nuclear', 'perc': 0}, {'fuel': 'other', 'perc': 0}, {'fuel': 'hydro', ' perc': 12.8}, {'fuel': 'solar', 'perc': 0}, {'fuel': 'wind', 'perc': 78.9}]}, {'regionid': 2, 'dnoregion' : 'SP Distribution', 'shortname': 'South Scotland', 'intensity': {'forecast': 14, 'index': 'very low'}, 'generationmix': [{'fuel': 'biomass', 'perc': 1.6}, {'fuel': 'coal', 'perc': 0}, {'fuel': 'imports', 'perc': 1.9}, {'fuel': 'gas', 'perc ': 1.1}, {'fuel': 'nuclear', 'perc': 31.9}, {'fuel': 'other', 'perc': 0}, {'fuel': 'hydro', 'perc': 0.2}, {'fuel': 'solar', 'perc': 0.5}, {'fuel': 'wind', 'perc': 62.8}]}, {'regionid': 3, 'dnoregi on': 'Electricity North West', 'shortname': 'North West England', 'intensity': {'forecast': 53, 'index': 'very low'}, 'generationmix': [{'fuel': 'biomass', 'perc': 0}, {'fuel': 'coal', 'perc': 0}, {'fuel': 'imports', 'perc': 0}, {'fuel': 'gas ', 'perc': 13.3}, {'fuel': 'nuclear', 'perc': 49.4}, {'fuel': 'other', 'perc': 0}, {'fuel': 'hydro', 'perc': 0}, {'fuel': 'solar', 'perc': 0.3}, {'fuel': 'wind', 'perc': 37}]}, {'regionid': 4, 'dnoregion ': 'NPG North East', 'shortname': 'North East England', 'intensity': {'forecast': 25, 'index': 'very low'}, 'generationmix': [{'fuel': '生物量'，'perc'：20.8}，{'fuel'：'coal'，'perc'：0}，{'fuel'：'imports'，'perc'：0}，{'fuel'：'gas' , 'perc': 0}, {'fuel': 'nuclear', 'perc': 71.3}, {'fuel': 'other', 'perc': 0}, {'fuel': 'hydro', ' perc': 0}, {'fuel': 'solar', 'perc': 1.3}, {'fuel': 'wind', 'perc': 6.6}]}, {'regionid': 5, 'dnoregion' : 'NPG Yorkshire', 'shortname': 'Yorkshire', 'intensity': {'forecast': 235, 'index': 'moderate'}, 'generationmix': [{' 燃料'：'生物質'，'perc'：39.3}，{'fuel'：'coal'，'perc'：0}，{'fuel'：'imports'，'perc'：0}，{'fuel' : 'gas', 'perc': 47.9}, {'fuel': 'nuclear', 'perc': 0}, {'fuel': 'other', 'perc': 0}, {'fuel': ' Hydro', 'perc': 0}, {'fuel': 'solar', 'perc': 1.1}, {'fuel': 'wind', 'perc': 11.7}]}, {'regionid': 6 , 'dnoregion': 'SP Manweb', 'shortname': 'North Wales and Merseyside', 'intensity': {'forecast': 257, 'index': 'moderate'}, 'generationmix': [{'fuel' : 'biomass', 'perc': 0}, {'fuel': 'coal', 'perc': 6}, {'fuel': 'imports', 'perc': 27}, {'fuel': '氣體'，'perc'：20.3}，{'fuel'：'核'，'perc'：0}，{'fuel'：'other'，'perc'：0}，{'fuel'：'hydro' , 'perc': 2}, {'fuel': 'solar', 'perc': 2.7}, {'fuel': 'wind', 'perc': 42}]}, {'regionid': 7, ' dnoregion'：'WPD South Wales'，'shortname'：'South Wales'，'intensity'：{'forecast'：282，'index'：'high'}，'generationmix'：[{'fuel'：'biomass ', 'perc': 0}, {'fuel': 'coal', 'perc': 0.1}, {'fuel': 'imports', 'perc': 0}, {'fuel': 'gas', 'perc'：71.1}，{'燃料'：'n uclear', 'perc': 0}, {'fuel': 'other', 'perc': 0}, {'fuel': 'hydro', 'perc': 0}, {'fuel': 'solar' , 'perc': 6}, {'fuel': 'wind', 'perc': 22.8}]}, {'regionid': 8, 'dnoregion': 'WPD West Midlands', 'shortname': 'West Midlands ', 'intensity': {'forecast': 57, 'index': 'very low'}, 'generationmix': [{'fuel': 'biomass', 'perc': 1}, {'fuel': '煤炭'，'perc'：0.4}，{'fuel'：'imports'，'perc'：2.5}，{'fuel'：'gas'，'perc'：10}，{'fuel'：'nuclear' , 'perc': 28.2}, {'fuel': 'other', 'perc': 0}, {'fuel': 'hydro', 'perc': 2.8}, {'fuel': 'solar', ' perc': 2.2}, {'fuel': 'wind', 'perc': 52.9}]}, {'regionid': 9, 'dnoregion': 'WPD East Midlands', 'shortname': 'East Midlands', 'intensity': {'forecast': 340, 'index': 'high'}, 'generationmix': [{'fuel': 'biomass', 'perc': 0}, {'fuel': 'coal', 'perc': 14.2}, {'fuel': 'imports', 'perc': 0}, {'fuel': 'gas', 'perc': 54}, {'fuel': 'nuclear', 'perc ': 0}, {'fuel': 'other', 'perc': 0}, {'fuel': 'hydro', 'perc': 0}, {'fuel': 'solar', 'perc': 8}，{'燃料'：'風'，'perc ': 23.8}]}, {'regionid': 10, 'dnoregion': 'UKPN East', 'shortname': 'East England', 'intensity': {'forecast': 125, 'index': 'low' }, 'generationmix': [{'fuel': 'biomass', 'perc': 0}, {'fuel': 'coal', 'perc': 0}, {'fuel': 'imports', 'perc ': 0}, {'fuel': 'gas', 'perc': 31.9}, {'fuel': 'nuclear', 'perc': 30.9}, {'fuel': 'other', 'perc': 0}, {'fuel': 'hydro', 'perc': 0}, {'fuel': 'solar', 'perc': 12.9}, {'fuel': 'wind', 'perc': 24.3} ]}, {'regionid': 11, 'dnoregion': 'WPD South West', 'shortname': 'South West England', 'intensity': {'forecast': 29, 'index': 'very low'} , 'generationmix': [{'fuel': 'biomass', 'perc': 0}, {'fuel': 'coal', 'perc': 0}, {'fuel': 'imports', 'perc' : 0}, {'fuel': 'gas', 'perc': 7.6}, {'fuel': 'nuclear', 'perc': 64}, {'fuel': 'other', 'perc': 0 }, {'fuel': 'hydro', 'perc': 0}, {'fuel': 'solar', 'perc': 25.3}, {'fuel': 'wind', 'perc': 3.1}] }, {'regionid': 12, 'dnoregion': 'SSE South', 'shortname': 'South England', 'intensity': {'forecast': 175, 'index': 'moderate'}, 'ge nerationmix': [{'fuel': 'biomass', 'perc': 5}, {'fuel': 'coal', 'perc': 0.4}, {'fuel': 'imports', 'perc': 0.8 }, {'fuel': 'gas', 'perc': 40.9}, {'fuel': 'nuclear', 'perc': 17.3}, {'fuel': 'other', 'perc': 0}, {'fuel': 'hydro', 'perc': 1.1}, {'fuel': 'solar', 'perc': 11.7}, {'fuel': 'wind', 'perc': 22.8}]}, {'regionid'：13，'dnoregion'：'UKPN London'，'shortname'：'London'，'intensity'：{'forecast'：124，'index'：'low'}，'generationmix'：[{ 'fuel': 'biomass', 'perc': 13.8}, {'fuel': 'coal', 'perc': 0.8}, {'fuel': 'imports', 'perc': 0.8}, {'fuel ': 'gas', 'perc': 24.2}, {'fuel': 'nuclear', 'perc': 22.4}, {'fuel': 'other', 'perc': 0}, {'fuel': 'hydro', 'perc': 1.5}, {'fuel': 'solar', 'perc': 3.7}, {'fuel': 'wind', 'perc': 32.8}]}, {'regionid': 14, 'dnoregion': 'UKPN South East', 'shortname': 'South East England', 'intensity': {'forecast': 213, 'index': 'moderate'}, 'generationmix': [{'fuel ': 'biomass', 'perc': 3.1}, {'fuel': 'coal', 'perc': 0.2}, {'fuel': 'imports', 'perc': 20.1}, {'fuel': ' 氣體', 'perc': 48.7}, {'fuel': 'nuclear', 'perc': 5.6}, {'fuel': 'other', 'perc': 0}, {'fuel': 'hydro' , 'perc': 1.6}, {'fuel': 'solar', 'perc': 7.6}, {'fuel': 'wind', 'perc': 13.1}]}, {'regionid': 15, ' dnoregion': 'England', 'shortname': 'England', 'intensity': {'forecast': 160, 'index': 'moderate'}, 'generationmix': [{'fuel': 'biomass', ' perc': 9.2}, {'fuel': 'coal', 'perc': 2.3}, {'fuel': 'imports', 'perc': 2.4}, {'fuel': 'gas', 'perc' : 31.5}, {'fuel': 'nuclear', 'perc': 23.1}, {'fuel': 'other', 'perc': 0}, {'fuel': 'hydro', 'perc': 0.6 }, {'fuel': 'solar', 'perc': 6.8}, {'fuel': 'wind', 'perc': 24.1}]}, {'regionid': 16, 'dnoregion': '蘇格蘭' , 'shortname': 'Scotland', 'intensity': {'forecast': 23, 'index': 'very low'}, 'generationmix': [{'fuel': 'biomass', 'perc': 1.1} , {'fuel': 'coal', 'perc': 0}, {'fuel': 'imports', 'perc': 1.3}, {'fuel': 'gas', 'perc': 3.9}, { '燃料'：'核'，'perc'：21.9}，{'fuel'：'other'，'perc'：0}，{'fuel'：'hydro'，'perc'：4.4}，{'fuel '：'太陽能'，'perc'：0 .4}，{'燃料'：'風'，'perc'：67}]}，{'regionid'：17，'dnoregion'：'威爾士'，'shortname'：'威爾士'，'強度'：{ '預測'：227，'指數'：'中等'}，'generationmix'：[{'fuel'：'biomass'，'perc'：0}，{'fuel'：'coal'，'perc'：0 }, {'fuel': 'imports', 'perc': 20.6}, {'fuel': 'gas', 'perc': 33.9}, {'fuel': 'nuclear', 'perc': 0}, {'fuel': 'other', 'perc': 0}, {'fuel': 'hydro', 'perc': 1.5}, {'fuel': 'solar', 'perc': 3.3}, {'燃料'：'風'，'perc'：40.7}]}，{'regionid'：18，'dnoregion'：'GB'，'shortname'：'GB'，'intensity'：{'forecast'：146， 'index': 'low'}, 'generationmix': [{'fuel': 'biomass', 'perc': 7.5}, {'fuel': 'coal', 'perc': 2.8}, {'fuel' ：'進口'，'perc'：6.4}，{'fuel'：'gas'，'perc'：23.7}，{'fuel'：'nuclear'，'perc'：20.5}，{'fuel'：'其他'，'perc'：0.3}，{'fuel'：'hydro'，'perc'：1.1}，{'fuel'：'solar'，'perc'：7.5}，{'fuel'：'wind' , 'perc': 30.2}]}]}]}

我需要將此輸出拆分為 DataFrame 中的列，我嘗試了一些方法，但我對解析 JSON 缺乏經驗，絕對需要幫助！ 我試過了：

json_normalize(data)

只返回包含所有數據的一行。

pd.io.json.json_normalize(data['data'])

返回 3 列（'from', 'regions', 'to'）而不解壓整個 json。

Answer 1

您始終可以通過使用對象的鍵訪問數據來解包數據

pd.io.json.json_normalize(data['data'][0]['from'])
pd.io.json.json_normalize(data['data'][0]['to'])
pd.io.json.json_normalize(data['data'][0]['regions'])

然后您可以以與以下類似的方式遍歷區域中的列表

for everyRegion in enumerate(data['data'][0]['regions']):
    pd.io.json.json_normalize(data['data'][0]['regions'][everyRegion])

然后創建一個數據框，然后將所需的值寫入數據框中的相應列。

請參閱此以了解有關 json 的更多信息 - JSON 編碼器和解碼器