我有一个像这样的pandas Dataframe数据框：
User | Query| Filters
-----------------------------------------------------------------------------------------
1 | abc | [{u'Op': u'and', u'Type': u'date', u'Val': u'1992'},{u'Op': u'and', u'Type': u'sex', u'Val': u'F'}]
1 | efg | [{u'Op': u'and', u'Type': u'date', u'Val': u'2000'},{u'Op': u'and', u'Type': u'col', u'Val': u'Blue'}]
1 | fgs | [{u'Op': u'and', u'Type': u'date', u'Val': u'2001'},{u'Op': u'and', u'Type': u'col', u'Val': u'Red'}]
2 | hij | [{u'Op': u'and', u'Type': u'date', u'Val': u'2002'}]
2 | dcv | [{u'Op': u'and', u'Type': u'date', u'Val': u'2001'},{u'Op': u'and', u'Type': u'sex', u'Val': u'F'}]
2 | tyu | [{u'Op': u'and', u'Type': u'date', u'Val': u'1999'},{u'Op': u'and', u'Type': u'col', u'Val': u'Yellow'}]
3 | jhg | [{u'Op': u'and', u'Type': u'date', u'Val': u'2001'},{u'Op': u'and', u'Type': u'sex', u'Val': u'M'}]
4 | mlh | [{u'Op': u'and', u'Type': u'date', u'Val': u'2001'}]
我期待的结果：
User| Query | date | sex | col
--------------------------------
1 | abc | 1992 | F |
1 | efg | 2000 | | Blue
1 | fgs | 2001 | | Red
2 | hij | 2002 | |
2 | dcv | 2001 | F |
2 | tyu | 1999 | | Yellow
3 | jhg | 2001 | |
4 | mlh | 2001 | H |
我正在使用pandas 0.21.0和python 2.7。
示例数据：
df = pd.DataFrame([{'user': 1,'query': 'abc', 'Filters': [{u'Op': u'and', u'Type': u'date', u'Val': u'1992'},{u'Op': u'and', u'Type': u'sex', u'Val': u'F'}]},
{'user': 1,'query': 'efg', 'Filters': [{u'Op': u'and', u'Type': u'date', u'Val': u'2000'},{u'Op': u'and', u'Type': u'col', u'Val': u'Blue'}]},
{'user': 1,'query': 'fgs', 'Filters': [{u'Op': u'and', u'Type': u'date', u'Val': u'2001'},{u'Op': u'and', u'Type': u'col', u'Val': u'Red'}]},
{'user': 2 ,'query': 'hij', 'Filters': [{u'Op': u'and', u'Type': u'date', u'Val': u'2002'}]},
{'user': 2 ,'query': 'dcv', 'Filters': [{u'Op': u'and', u'Type': u'date', u'Val': u'2001'},{u'Op': u'and', u'Type': u'sex', u'Val': u'F'}]},
{'user': 2 ,'query': 'tyu', 'Filters':[{u'Op': u'and', u'Type': u'date', u'Val': u'1999'},{u'Op': u'and', u'Type': u'col', u'Val': u'Yellow'}]},
{'user': 3 ,'query': 'jhg', 'Filters':[{u'Op': u'and', u'Type': u'date', u'Val': u'2001'},{u'Op': u'and', u'Type': u'sex', u'Val': u'M'}]},
{'user': 4 ,'query': 'mlh', 'Filters':[{u'Op': u'and', u'Type': u'date', u'Val': u'2001'}]},
])
我尝试了很多解决方案：
任何建议都会非常感谢！
答案 0 :(得分：4)
假设您已经按照MCWE中的定义导入了数据：
data = [{'user': 1,'query': 'abc', 'Filters': [{u'Op': u'and', u'Type': u'date', u'Val': u'1992'},{u'Op': u'and', u'Type': u'sex', u'Val': u'F'}]},
{'user': 1,'query': 'efg', 'Filters': [{u'Op': u'and', u'Type': u'date', u'Val': u'2000'},{u'Op': u'and', u'Type': u'col', u'Val': u'Blue'}]},
{'user': 1,'query': 'fgs', 'Filters': [{u'Op': u'and', u'Type': u'date', u'Val': u'2001'},{u'Op': u'and', u'Type': u'col', u'Val': u'Red'}]},
{'user': 2 ,'query': 'hij', 'Filters': [{u'Op': u'and', u'Type': u'date', u'Val': u'2002'}]},
{'user': 2 ,'query': 'dcv', 'Filters': [{u'Op': u'and', u'Type': u'date', u'Val': u'2001'},{u'Op': u'and', u'Type': u'sex', u'Val': u'F'}]},
{'user': 2 ,'query': 'tyu', 'Filters':[{u'Op': u'and', u'Type': u'date', u'Val': u'1999'},{u'Op': u'and', u'Type': u'col', u'Val': u'Yellow'}]},
{'user': 3 ,'query': 'jhg', 'Filters':[{u'Op': u'and', u'Type': u'date', u'Val': u'2001'},{u'Op': u'and', u'Type': u'sex', u'Val': u'M'}]},
{'user': 4 ,'query': 'mlh', 'Filters':[{u'Op': u'and', u'Type': u'date', u'Val': u'2001'}]},
]
然后，您正在寻找用于数据规范化的Pandas json_normalize方法：
from pandas.io.json import json_normalize
df = json_normalize(data, 'Filters', ['query', 'user'])
它返回一个规范化的DataFrame版本，其中json列扩展为同名类型列：
Op Type Val user query
0 and date 1992 1 abc
1 and sex F 1 abc
2 and date 2000 1 efg
3 and col Blue 1 efg
4 and date 2001 1 fgs
5 and col Red 1 fgs
6 and date 2002 2 hij
7 and date 2001 2 dcv
8 and sex F 2 dcv
9 and date 1999 2 tyu
10 and col Yellow 2 tyu
11 and date 2001 3 jhg
12 and sex M 3 jhg
13 and date 2001 4 mlh
现在，您需要pivot您的DataFrame将Type模式转换为列：
df = df.pivot_table(index=['user', 'query', 'Op'], columns='Type', aggfunc='first')
导致：
Val
Type col date sex
user query Op
1 abc and None 1992 F
efg and Blue 2000 None
fgs and Red 2001 None
2 dcv and None 2001 F
hij and None 2002 None
tyu and Yellow 1999 None
3 jhg and None 2001 M
4 mlh and None 2001 None
最后，如果他们打扰你，你可以清理和重置索引：
df.columns = df.columns.droplevel(0)
df.reset_index(inplace=True)
返回您请求的MCVE输出：
Type user query Op col date sex
0 1 abc and None 1992 F
1 1 efg and Blue 2000 None
2 1 fgs and Red 2001 None
3 2 dcv and None 2001 F
4 2 hij and None 2002 None
5 2 tyu and Yellow 1999 None
6 3 jhg and None 2001 M
7 4 mlh and None 2001 None
非专栏
在这个最终的DataFrame中，第一列似乎被称为Type，但事实并非如此。它是一个没有名称的整数索引：
df.index
RangeIndex(start=0, stop=8, step=1)
并且列索引称为Type，它不包含任何名为Type的模态（因此没有具有此名称的列）。
df.columns
Index(['user', 'query', 'Op', 'col', 'date', 'sex'], dtype='object', name='Type')
这就是您无法删除列Type（pivot_table中使用的列）的原因，因为它不存在。
如果要删除此假列，则需要为行创建新索引：
df.set_index(['user', 'query'], inplace=True)
如果列索引名称困扰您，您可以重置它：
df.columns.name = None
导致：
Op col date sex
user query
1 abc and None 1992 F
efg and Blue 2000 None
fgs and Red 2001 None
2 dcv and None 2001 F
hij and None 2002 None
tyu and Yellow 1999 None
3 jhg and None 2001 M
4 mlh and None 2001 None
创建新索引时，最好始终检查它是唯一的：
df.index.is_unique
True
来自档案的数据
如果您的数据在文件中，则应首先使用PSL json模块将其导入变量：
import json
with open(path) as file:
data = json.load(file)
这将解决问题，然后回到我答案的开头。
答案 1 :(得分：1)
import pandas as pd
df = pd.DataFrame([{'user': 1,'query': 'abc', 'Filters': [{u'Op': u'and', u'Type': u'date', u'Val': u'1992'},{u'Op': u'and', u'Type': u'sex', u'Val': u'F'}]},
{'user': 1,'query': 'efg', 'Filters': [{u'Op': u'and', u'Type': u'date', u'Val': u'2000'},{u'Op': u'and', u'Type': u'col', u'Val': u'Blue'}]},
{'user': 1,'query': 'fgs', 'Filters': [{u'Op': u'and', u'Type': u'date', u'Val': u'2001'},{u'Op': u'and', u'Type': u'col', u'Val': u'Red'}]},
{'user': 2 ,'query': 'hij', 'Filters': [{u'Op': u'and', u'Type': u'date', u'Val': u'2002'}]},
{'user': 2 ,'query': 'dcv', 'Filters': [{u'Op': u'and', u'Type': u'date', u'Val': u'2001'},{u'Op': u'and', u'Type': u'sex', u'Val': u'F'}]},
{'user': 2 ,'query': 'tyu', 'Filters':[{u'Op': u'and', u'Type': u'date', u'Val': u'1999'},{u'Op': u'and', u'Type': u'col', u'Val': u'Yellow'}]},
{'user': 3 ,'query': 'jhg', 'Filters':[{u'Op': u'and', u'Type': u'date', u'Val': u'2001'},{u'Op': u'and', u'Type': u'sex', u'Val': u'M'}]},
{'user': 4 ,'query': 'mlh', 'Filters':[{u'Op': u'and', u'Type': u'date', u'Val': u'2001'}]},
])
def func(x):
date = x[0]['Val']
sex = ''
col = ''
if len(x) > 1:
if x[1]['Val'] in ['F','M']:
sex = x[1]['Val']
else:
col = x[1]['Val']
return pd.Series([date,sex,col])
df[['date','sex','color']] = df['Filters'].apply(func)
df
输出（未显示过滤器）：
query user date sex color
0 abc 1 1992 F
1 efg 1 2000 Blue
2 fgs 1 2001 Red
3 hij 2 2002
4 dcv 2 2001 F
5 tyu 2 1999 Yellow
6 jhg 3 2001 M
7 mlh 4 2001