Python 如何使用Pandas从json格式获取数据？

我得到的json数据如下：

     "data": [
        {
          "currency": "CNY",
          "standardDate": "2021-03-31T00:00:00+08:00",
          "reportDate": "2021-04-26T00:00:00+08:00",
          "reportType": "first_quarterly_report",
          "q": {
            "ps": {
              "np": {
                "t": 773183901
              }
            }
          },
          "date": "2021-03-31T00:00:00+08:00",
          "stockCode": "300413"
        }
      ],
    "data":["Like Above"] many times

当我使用

pd.DataFrame获取df

时，列

'q'

值显示如下：

     q
     {'ps': {'np': {'t': 773183901}}} 
     {'ps': {'np': {'t': 773183901}}} 
     {'ps': {'np': {'t': 773183901}}} 
     {'ps': {'np': {'t': 773183901}}} 

我怎样才能巧妙地在

'q'

列中获得数字

    q
    773183901
    773183901
    773183901
    773183901

---

最好的方法是获得所需的列

df1 = pd.json_normalize(data, record_path=['q','ps','np'],  \
    meta=['currency','standardDate','reportDate','<All required fields>'])

df1=pd.json\u规范化（数据、记录路径=['q'、'ps'、'np']\
meta=[“货币”、“标准日期”、“报告日期”、“日期]）

最好的方法是获取所需的列

df1 = pd.json_normalize(data, record_path=['q','ps','np'],  \
    meta=['currency','standardDate','reportDate','<All required fields>'])

df1=pd.json\u规范化（数据、记录路径=['q'、'ps'、'np']\
meta=[“货币”、“标准日期”、“报告日期”、“日期]）

通过名称访问JSON/dict值的更直接的方法是使用

.str[]

访问器。如下所示，使用列

q

访问嵌套JSON深层的

t

值：

df['q'] = df['q'].str['ps'].str['np'].str['t']

演示

---

按名称访问JSON/dict值的更直接的方法是使用

.str[]

访问器。如下所示，使用列

q

访问嵌套JSON深层的

t

值：

df['q'] = df['q'].str['ps'].str['np'].str['t']

演示

---

也许

df['q']=df['q'].应用（lambda d:d['ps']['np']['t']）

？是的！它起作用了。非常感谢你。顺便问一下，为什么用“d”而不是“x”？在哪里可以找到一些东西来研究函数apply？在这种情况下，不需要将.apply（）与lambda函数一起使用，只需使用

.str[]

。请参阅下面的详细信息。使用

“d”

而不是

“x”

没有特殊原因，如果您愿意，可以使用

“x”

。研究

.apply（）

方法有很多参考资料，但是如果您可以使用其他内置函数，我建议您不要使用

.apply（）

.apply（）

与其他内置panda/numpy函数一样，lambda函数没有矢量化，也没有针对性能进行优化。因此，它通常是缓慢的。有关详细信息，请参见。可能

df['q']=df['q'].apply（lambda d:d['ps']['np']['t']）

？是！它起作用了。非常感谢你。顺便问一下，为什么用“d”而不是“x”？在哪里可以找到一些东西来研究函数apply？在这种情况下，不需要将.apply（）与lambda函数一起使用，只需使用

.str[]

。请参阅下面的详细信息。使用

“d”

而不是

“x”

没有特殊原因，如果您愿意，可以使用

“x”

。研究

.apply（）

方法有很多参考资料，但是如果您可以使用其他内置函数，我建议您不要使用

.apply（）

.apply（）

与其他内置panda/numpy函数一样，lambda函数没有矢量化，也没有针对性能进行优化。因此，它通常是缓慢的。详情请参见。酷，非常感谢。酷，非常感谢。