pandas提取键值对（json和非json格式）

news2024/11/23 11:48:06

（欢迎大家关注我的公众号“机器学习面试基地”，之后将在公众号上持续记录本人从非科班转到算法路上的学习心得、笔经面经、心得体会。未来的重点也会主要放在机器学习面试上！）

最近工作中需要解析一些有模型输入输出信息的csv日志，主要是键值对的形式，大概有两种情形：

情形一：标准的json字符串格式

也就是需要解析的字段为标准的json字符串：
在这里插入图片描述
然后需要将每个json字符串中的每一个键解析为新的一列（列名也需要保持相同），即以下的格式：

那么用到以下代码即可：

import pandas as pd
import json
#示例数据定义
df1 = pd.DataFrame({'params':['{"param1":5,"param2":2,"param3":1}','{"param1":6,"param2":3,"param3":5}','{"param1":9,"param2":3,"param3":5}'],'results':['{"class1":0.1,"class2":0.9}','{"class1":0.3,"class2":0.7}','{"class1":0.2,"class2":0.8}']})
df1 = df1.join(df1['params'].apply(lambda x:json.loads(x)).apply(pd.Series))#json格式解析
df1 = df1.join(df1['results'].apply(lambda x:json.loads(x)).apply(pd.Series))#json格式解析
df1 = df1.drop(['params','results'],axis=1)#丢弃原字段

核心就在于利用apply函数，也就是上面的apply(lambda x:json.loads(x))和apply(pd.Series))。
- 其中第一个apply结合lambda函数对json格式进行解析，会将原始的json字符串解析为python的字典格式，
- 然后通过apply(pd.Series))来将解析后的键值对其拆分为对应的列，即每个键对应一个列。

情形二：不规则的键值对

该情形主要是针对需要解析的字段为非json格式的，比如：
在这里插入图片描述
同样需要解析为下面的格式，并将键名作为新的列名：

那么用下面的代码即可做到：

#示例数据
df2 = pd.DataFrame({'params':['param1=5|param2=2|param3=8','param1=4|param2=2|param3=2','param1=2|param2=2|param3=5']})
#解析
parse = (df2.params.str.extractall('([^|]+)=([^|]+)')
.reset_index(level=1,drop=True)
.set_index(0,append=True)[1]
.unstack(level=1))

整体解析麻烦了一些，但是掌握后就会很方便，因为复制好模板代码后只需要简单修改，就能进行解析。对于上面主要需要修改的部分则是extractall里的正则匹配部分。下面简单对上面的代码做一个拆分（如果要深入研究的话，需要去学习正则匹配，这里只做简单介绍）

df2.params为指定某一列，也可以用df2[‘params’]
.str即将目标列转换为string格式
extractall()则是通过正则匹配获取所有满足目标格式的键值对
- '([^|]+)=([^|]+)'代表了我们想要的匹配格式,主要分为([^|]+)、=、([^|]+)三个部分，也就是匹配’键=值‘的格式
  - ([^|]+)又分为()、[]、^、|、+五个部分
    - 其中()代表了整体打包，也即里面的是一个整体,比如(abc)?表示匹配abc这个字符串0次或者1次，如果不加(),即abc?的话则表示匹配ab或者abc，即？只对c生效而不是abc整体生效。
    - []表示单个匹配，即[]匹配一个字符，而非多个。比如[0-9]表示0-9之间的数都满足匹配要求，可以匹配0到9之间的单个数，但是不能匹配98，99
    - ^有两种用法，一是限定开头，比如(^cat)则限定开头为cat的字符串。第二种是代表’否’，也就是不匹配的意思，比如上面的[^|]则表示|外的所有字符。那么如何区分两种用法呢，就看^外面是不是紧挨着[]，比如/[(^\s+)(\s+$)]/g就是限定开头的用法，而不是’否‘的用法。
    - +则表示多个的意思，也就是匹配多个[^|]
  - 针对我们的目标格式param1=5|param2=2|param3=8，其实我们需要提取的就是param1=5，那么|是多余的，所以用[^|]来排除|，由于param是一个字符串，因此需要用+来进行字符串匹配。最后利用()来将其打包为一个整体。
reset_index(level=1,drop=True)用于重置索引，如果drop=True，则代表丢弃现有的索引，如果有多级索引，则需要用level参数指定需要丢弃的索引，如果没有指明level，则丢弃所有索引。重置前的结果如下，也就是出现了两级索引，这里删除第二级索引，也就是level=1(或者也可以写成level=‘match’)：

重置后的结果如下：
set_index(0,append=True)[1]中set_index代表将某一列设置为索引，append=True，则代表保留原索引，并将指定列作为索引附加到原索引上，也就是变成了两级索引。这里将param所在那一列变成了索引。set_index后的结果如下

注意后面还有个[1],这其实就是提取出列名为1的列，注意这里其实只有一列了，因为param那一列已经变成索引了，这一步后的结果如下：
最后unstack(level=1))将指定level的索引，转变为列。最后就达到了我们的目的了：

举一反三（进阶版）

假设中间的间隔符不规律：

df2 = pd.DataFrame({'params':['*param1=5&$param2=2|param3=8','param1=4|$param2=2|param3=2','param1=2|param2=2|param3=5']})
df2

在这里插入图片描述
那就把所有的不规则符号排除掉即可

parse = (df2.params.str.extractall('([^|*&$]+)=([^|*&$]+)')
.reset_index(level=1,drop=True)
.set_index(0,append=True)[1]
.unstack(level=1)
        )
parse