将嵌套数据从 MongoDB 获取到 Pandas 数据框中

Question

我正在将 Twitter 数据（推文 + 元数据）收集到 MongoDB 服务器中。现在我想做一些统计分析。为了将 MongoDB 中的数据放入 Pandas 数据框中，我使用了以下代码：

cursor = collection.find({},{'id': 1, 'text': 1})

tweet_fields = ['id', 'text']

result = pd.DataFrame(list(cursor), columns = tweet_fields)

通过这种方式，我成功地将数据加载到 Pandas 中，这很棒。现在我想对创建推文的用户进行一些分析，这也是我收集的数据。此数据位于 JSON 的嵌套部分（我不能 100% 确定这是否是真正的 JSON），例如 user.id，它是 Twitter 用户帐户的 id。

我可以使用点符号将其添加到光标：

cursor = collection.find({},{'id': 1, 'text': 1, 'user.id': 1})

但这会导致该列的 NaN。我发现问题在于数据的结构方式：

没有user.id的光标位：

[{'_id': ObjectId('561547ae5371c0637f57769e'),
  'id': 651795711403683840,
  'text': 'Video: Zuuuu gut! Caro Korneli besucht für extra 3 Pegida Via KFMW http://t.co/BJX5GKrp7s'},
 {'_id': ObjectId('561547bf5371c0637f5776ac'),
  'id': 651795781557583872,
  'text': 'Iets voor werkloze xenofobe PVV-ers, (en dat zijn waarschijnlijk wel de meeste).........Ze zoeken bij Frontex een paar honderd grenswachten.'},
 {'_id': ObjectId('561547ab5371c0637f57769c'),
  'id': 651795699881889792,
  'text': 'RT @ansichtssache47: Geht gefälligst arbeiten, die #Flüchtlinge haben Hunger! http://t.co/QxUYfFjZB5 #grenzendicht #rente #ZivilerUngehorsa…'}]

带有user.id的光标位：

[{'_id': ObjectId('561547ae5371c0637f57769e'),
  'id': 651795711403683840,
  'text': 'Video: Zuuuu gut! Caro Korneli besucht für extra 3 Pegida Via KFMW http://t.co/BJX5GKrp7s',
  'user': {'id': 223528499}},
 {'_id': ObjectId('561547bf5371c0637f5776ac'),
  'id': 651795781557583872,
  'text': 'Iets voor werkloze xenofobe PVV-ers, (en dat zijn waarschijnlijk wel de meeste).........Ze zoeken bij Frontex een paar honderd grenswachten.',
  'user': {'id': 3544739837}}]

简而言之，我不明白如何将收集到的数据的嵌套部分放在我的 Pandas 数据框的单独列中。

Answer 1

我使用这样的函数将嵌套的 JSON 行放入数据框中。它使用方便的pandas json.normalize 函数：

import pandas as pd
from bson import json_util, ObjectId
from pandas.io.json import json_normalize
import json

def mongo_to_dataframe(mongo_data):

        sanitized = json.loads(json_util.dumps(mongo_data))
        normalized = json_normalize(sanitized)
        df = pd.DataFrame(normalized)

        return df

只需通过调用函数并将其作为参数传递您的 mongo 数据。

sanitized = json.loads(json_util.dumps(mongo_data)) 将 JSON 行加载为常规 JSON

normalized = json_normalize(sanitized) 取消嵌套数据

df = pd.DataFrame(normalized) 只是把它变成一个数据框