將字典串列決議為表格/csv

我有一個包含嵌套的字典串列的字典，我想把它壓平并解壓到一個csv檔案。 初始字典的鍵（稱為'讀數'）是一個物理位置識別符號的串列（如111，222等）

list_of_attributes = readings.keys()
print(list_of_attributes)

結果：

dict_keys(['000111'/span>, '000967'/span>, '000073'/span> ...

對于每一個鍵，都有一個嵌套的進一步的字典串列，其中包含類似于時間序列的資料：

[{'Approval'/span>: {'ApprovalLevel'/span>: 650, 'LevelDescription': '作業'}。
  'FieldVisitIdentifier': '2a328f51-aac7-494d-9f08-69716a06b179',
  'Value'/span>: {'Unit'/span>: 'ft', 'Numeric': -1.53},
  'DatumConvertedValues'/span>: [{'TargetDatum'/span>: 'NAVD88',
    '單位': 'ft',
    'Numeric': 4.196010479999999},
   {'TargetDatum': 'NGVD29', '單位': 'ft', 'Numeric': 4.779999999999999},
   {'TargetDatum': 'Local Assumed Datum', '單位': 'ft', 'Numeric': -0.28}] 。
  'Parameter': 'GWL',
  'MonitoringMethod': '鋼帶'。
  'Time': '2021-05-25T18:51:00.0000000 00:00',
  '評論'。'MP = SS頂部的孔 =  1.25 ft LSD'。
  '發布'。True。
  'ReadingType': 'Routine',
  'ReferencePointUniqueId': '13208d3d0fe846c08ba7d6777b040433',
  'UseLocationDatumAsReference': False}。

...

我在使用Amir Ziai的flatten_json包將嵌套的字典串列扁平化并解壓成csv時取得了一些成功，具體方法如下：

結果 csv：

這正是我想要的，但我還需要以某種方式將初始鍵（'000111', '000967', '000073'）映射到每個相關記錄的一個列。 這將看起來像這樣

更新：來自端點的json樣本

更新2:

# Step 1: Fetch the list of locations
locationDescriptions = client.publish.get('/GetLocationist') ['LocationDescriptions']



#Pass list of identifiders to 2nd endpoint and create dictionary.   鍵是步驟1中的位置串列。
readings = dict(
    (loc['Identifier']。
     client.publish.get('/GetReadingsByLocation', params={
        'LocationIdentifier': loc['Identifier']。
        '引數'。['GWL']。
        'ApplyDatumConversion': 'true'].
     })['FieldVisitReadings']
    ) for loc in locationDescriptions)

uj5u.com熱心網友回復：

你可以使用DataFrame.drop_level() DataFrame.reset_index()來獲得你的欄目：

import pandas as pd
from flatten_json import flatten

讀數 = {
    "000111": [
        {
            "批準": {"批準級別": 650, "LevelDescription": "作業"}。
            "FieldVisitIdentifier": "2a328f51-aac7-494d-9f08-69716a06b179",
            "Value": {"單位": "ft", "Numeric": -1.53},
            "DatumConvertedValues": [
                {
                    "TargetDatum": "NAVD88",
                    "單位": "ft",
                    "Numeric": 4.196010479999999,
                },
                {
                    "TargetDatum": "NGVD29",
                    "單位": "ft",
                    "Numeric": 4.779999999999999,
                },
                {
                    "TargetDatum": "本地假定資料",
                    "單位": "ft",
                    "Numeric"/span>: -0.28,
                },
            ],
            "Parameter": "GWL",
            "監測方法": "鋼帶"。
            "時間": "2021-05-25T18:51:00.0000000 00:00",
            "評論"。"MP=SS頂部的孔= 1.25英尺LSD"。
            "發布": True。
            "閱讀型別"。"Routine",
            "ReferencePointUniqueId": "13208d3d0fe846c08ba7d6777b040433",
            "UseLocationDatumAsReference": False。
        },
        {
            "批準": {"批準級別": 1200, "LevelDescription": "作業"}。
            "FieldVisitIdentifier": "xxx"。
            "Value": {"單位": "ft", "Numeric": -1.53},
            "DatumConvertedValues": [
                {
                    "TargetDatum": "NAVD88",
                    "單位": "ft",
                    "Numeric": 4.196010479999999,
                },
                {
                    "TargetDatum": "NGVD29",
                    "單位": "ft",
                    "Numeric": 4.779999999999999,
                },
                {
                    "TargetDatum": "本地假定資料",
                    "單位": "ft",
                    "Numeric"/span>: -0.28,
                },
            ],
            "Parameter": "GWL",
            "監測方法": "鋼帶"。
            "時間": "2021-05-25T18:51:00.0000000 00:00",
            "評論"。"MP=SS頂部的孔= 1.25英尺LSD"。
            "發布": True。
            "閱讀型別"。"Routine",
            "ReferencePointUniqueId": "13208d3d0fe846c08ba7d6777b040433",
            "UseLocationDatumAsReference": False。
        },
    ]
}

資料 = {
    (k, i): flatten(item)
    for k, v in readings.items()
    for i, item in enumerate（v)
}
df = pd.DataFrame.from_dict(data, orient="index"/span>)
df = df.droplevel(level=1).reset_index().rename(columns={"index"/span>: "Keys"})
print(df)
df.to_csv("data.csv", index=False)

印刷品：

 Keys Approval_ApprovalLevel Approval_LevelDescription FieldVisitIdentifier Value_Unit Value_Numeric DatumConvertedValues_0_TargetDatum DatumConvertedValues_0_Unit DatumConvertedValues_0_Numeric DatumConvertedValues_1_TargetDatum DatumConvertedValues_1_Unit DatumConvertedValues_1_Numeric DatumConvertedValues_2_TargetDatum DatumConvertedValues_2_Unit DatumConvertedValues_2_Numeric Parameter MonitoringMethod Time Comment Publish ReadingType ReferencePointUniqueId UseLocationDatumAsReference
0 000111 650 作業 2a328f51-aac7-494d-9f08-69716a06b179 ft -1.53 NAVD88 ft 4.19601 NGVD29 ft 4.78 Local Assumed Datum ft -0.28 GWL Steel Tape 2021-05-25T18:51:00.0000000 00:00 MP = SS頂部的孔 =  1.25 ft LSD True Routine 13208d3d0fe846c08ba7d6777b040433 False
1 000111 1200作業xxx英尺-1.53 NAVD88英尺4.19601 NGVD29英尺4.78 當地假定基準英尺-0.28 GWL鋼帶 2021-05-25T18:51:00.0000000 00:00 MP=SS頂部的孔= 1.25英尺LSD真 常規13208d3d0fe846c08ba7d6777b040433假

并保存data.csv：

標籤：

上一篇：PlotlyDash熱圖，與2個下拉選單相連

下一篇：是否有pandas的功能可以每天從一個日期列中抓取特定的時間戳？