Flatten DataFrame 嵌套 list/array 带有额外的索引键（对于时间序列）

Question

我有一个 DataFrame 结构如下。（这是 JSON 归一化的结果）

mydf

id    colA    colB    ...    colArray
foo   a1      b1             [{'date': '...', 'data1': '...', 'data2': 0.1 ...}, ...]
bar   a2      b2             [{'date': '...', 'data1': '...', 'data2': 0.1 ...}, ...]
fooz  a3      b3             [{'date': '...', 'data1': '...', 'data2': 0.1 ...}, ...]
barz  a4      b4             [{'date': '...', 'data1': '...', 'data2': 0.1 ...}, ...]

date 是时间戳
colArray行中的每个数组长度不同，但数组元素结构完全相同
['id', 'colA', 'colB'] 是我想用作唯一索引的列的示例

我想转换这些数据以便将它们用作时间序列。我想要的输出是这样的：

id    colA    colB    ...    date               data1    data2 ... data n
foo   a1      b1             '1st timestamp'   'flex'   0.1
foo   a1      b1             '...'   
...
foo   a1      b1             'last_timestamp'   
bar   a2      b2             '1st timestamp'   'zorg'
bar   a2      b2             '...'   
...   
bar   a2      b2             'last_timestamp'   
fooz  a3      b3             '...'   
fooz  a3      b3             '...'   
...
fooz  a3      b3             '...'   
etc.

这将允许我 plot/analyze 基于元组的时间序列，例如 [foo, a1, b1]

对我来说，这看起来与非常相似，但接受的答案令人沮丧：JSON/dict 数据并未真正处理以生成具有正确数据的 DataFrame。

有没有人对如何实现这一目标有任何建议？

第一种方法

使用下面的，接近我想要的：

tmpdf = pd.DataFrame(mydf['colArray'].tolist())
json_normalize(tmpdf[0])

但是有两个问题：

我丢失了我想用作唯一标识符的 ['id', 'colA', 'colB'] 元组。
我需要对我的 tmpdf 的每一行执行操作

第二种方法

基于Accessing nested JSON data as dataframes in Pandas

pd.concat(pd.DataFrame.from_dict(tmp_array) for array in mydf['colArray'])

它给了我一个数据框，其中所有数组都被展平，列名正确，但我丢失了相应的键（['id', 'colA', 'colB']）。我觉得这是正确的方法，但我不知道如何保留索引列（以便我可以通过索引列过滤每个结果时间序列）。

可惜没有"json_melt"功能

第三种方法

基于这个问题。我可以保留我的索引列，但数组元素仍在 JSON 中并且索引为 [0, 1, 2, ...]。我将无法处理可变长度（对于列索引的较高值有很多 NA

参考书目： Create a Pandas DataFrame from deeply nested JSON 但解决方案是基于原始的 JSON 处理，而我想在现有的 DataFrame

上执行此操作

Accessing nested JSON data as dataframes in Pandas这与我想要的非常接近。

结果看起来像我的第一次尝试，但底层 JSON 数据并没有真正 "matrixed" 到数据帧中。

A rather complex and not satisfaying approach

编辑：但是在询问时，我无法通过搜索找到它。供将来参考？

Answer 1

对 MulltiIndex:

使用 pop for extract original column and concat 的字典理解

df = pd.concat({k: pd.DataFrame(array) for k, array in mydf.pop('colArray').items()})

替代方法是使用参数 keys:

df = pd.concat([pd.DataFrame(array) for array in mydf.pop('colArray')], keys=mydf.index)

然后删除第二层，这样可以 join 与原来的 DataFrame:

df = df.reset_index(level=1, drop=True).join(mydf).reset_index(drop=True)

样本:

mydf = pd.DataFrame({'id': ['foo', 'bar', 'fooz', 'barz'], 'colA': ['a1', 'a2', 'a3', 'a4'], 'colB': ['b1', 'b2', 'b3', 'b4'], 'colArray': [[{'date': 's', 'data1': 't', 'data2': 0.1}, {'date': 'd', 'data1': 'r', 'data2': 0.8}], [{'date': 'd', 'data1': 'y', 'data2': 0.1}], [{'date': 'g', 'data1': 'u', 'data2': 0.1}], [{'date': 'h', 'data1': 'i', 'data2': 0.1}]]})
print (mydf)
     id colA colB                                           colArray
0   foo   a1   b1  [{'date': 's', 'data1': 't', 'data2': 0.1}, {'...
1   bar   a2   b2        [{'date': 'd', 'data1': 'y', 'data2': 0.1}]
2  fooz   a3   b3        [{'date': 'g', 'data1': 'u', 'data2': 0.1}]
3  barz   a4   b4        [{'date': 'h', 'data1': 'i', 'data2': 0.1}]

df = pd.concat({k: pd.DataFrame(array) for k, array in mydf.pop('colArray').items()})
print (df)
    data1  data2 date
0 0     t    0.1    s
  1     r    0.8    d
1 0     y    0.1    d
2 0     u    0.1    g
3 0     i    0.1    h

df = df.reset_index(level=1, drop=True).join(mydf).reset_index(drop=True)
print (df)
  data1  data2 date    id colA colB
0     t    0.1    s   foo   a1   b1
1     r    0.8    d   foo   a1   b1
2     y    0.1    d   bar   a2   b2
3     u    0.1    g  fooz   a3   b3
4     i    0.1    h  barz   a4   b4

Flatten DataFrame 嵌套 list/array 带有额外的索引键（对于时间序列）

Flatten DataFrame nested list/array with extra index keys (for time series)

python

json

normalization

pandas

第一种方法

第二种方法

第三种方法