将特定数据从 mongo 导入到 pandas 数据框

Question

我在 mongodb 的集合中有大量数据，我需要使用 pandas 和 jupyter 中的 pymongo 进行分析。我正在尝试在数据框中导入特定数据。

示例数据。

{
    "stored": "2022-04-xx",
    ...
    ...
    "completedQueues": [
        "STATEMENT_FORWARDING_QUEUE",
        "STATEMENT_PERSON_QUEUE",
        "STATEMENT_QUERYBUILDERCACHE_QUEUE"
    ],
    "activities": [
        "https://example.com
    ],
    "hash": "xxx",
    "agents": [
        "mailto:example@example.com"
    ],
    "statement": {                                  <=== I want to import the data from "statement"
        "authority": {
            "objectType": "Agent",
            "name": "xxx",
            "mbox": "mailto:example@example.com"
        },
        "stored": "2022-04-xxx",
        "context": {
            "platform": "Unknown",
            "extensions": {
                "http://example.com",
                "xxx.com": {
                    "user_agent": "xxx"
                },
                "http://example.com": ""
            }
        },
        "actor": {
            "objectType": "xxx",
            "name": "xxx",
            "mbox": "mailto:example@example.com"
        },
        "timestamp": "2022-04-xxx",
        "version": "1.0.0",
        "id": "xxx",
        "verb": {
            "id": "http://example.com",
            "display": {
                "en-US": "viewed"
            }
        },
        "object": {
            "objectType": "xxx",
            "id": "https://example.com",
            "definition": {
                "type": "http://example.com",
                "name": {
                    "en-US": ""
                },
                "description": {
                    "en-US": "Viewed"
                }
            }
        }
    },                                             <=== up to here
    "hasGeneratedId": true,
    ...
    ...
}

请注意，我只对嵌套在“语句”下的数据感兴趣，而不对包含字符串的任何数据感兴趣，即它上面的“STATEMENT_FORWARDING_QUEUE”。

我想要完成的是从数据框中的“语句”（如上所示）导入数据，并以如下方式排列它们：

id	authority objectType	authority name	authority mbox	stored	context platform	context extensions	actor objectType	actor name	...
00	Agent	xxx	mailto	2022-	Unknown	http://1	xxx	xxx	...
01	Agent	yyy	mailto	2022-	Unknown	http://2	yyy	yyy	...

我们的想法是能够访问任何数据，例如“权限名称”或“参与者对象类型”。

我试过：

df = pd.DataFrame(list(collection.find(query)(filters)))
df = json_normalize(list(collection.find(query)(filters)))

使用各种查询、过滤器和切片，以及聚合和 map/reduce，但没有产生正确的输出。

我还想根据“存储”字段（sort('$natural',-1) ?）进行排序（从最新到最旧），并且也可能将 limit(xx) 应用于数据框。

有什么想法吗？

提前致谢。

Answer 1

试试这个

df = json_normalize(list(
    collection.aggregate([
        {
            "$match": query
        },
        {
            "$replaceRoot": {
                "newRoot": "$statement"
            }
        }
    ])
)

Answer 2

感谢@pavel 的回答。它是正确的，几乎可以解决问题。

我还添加了排序和限制，所以如果有人感兴趣，最后的代码是这样的：

df = json_normalize(list(
  statements_coll.aggregate([
    {
        "$match": query
    },
    {
        "$replaceRoot": {
            "newRoot": "$statement"
        }
    },
    { 
        "$sort": { 
            "stored": -1 
        }
    },
    {
        "$limit": 10 
    }
  ]) 
))

将特定数据从 mongo 导入到 pandas 数据框

Import specific data from mongo to pandas dataframe

python

mongodb

pymongo

pandas

jupyter-lab