Блог

У меня есть вложенные данные json, которые похожи на следующие:

 [{'game':'001', 'animals': [{'name':'Dog', 'colour':'Red'}, {'name':'Horse', 'age':'6'},{'name':'Ostrich', 'location':'Africa'}]},{'game':'002', 'animals': [{'name':'Cat', 'colour':'Green'}, {'name':'Bison', 'location':'North America'},{'name':'Parrot', 'location':'Southeast Asia'}]}]
 

Моя цель — создать запись массива индикаторов для каждого животного (содержащегося в ‘name’), соответствующую элементам в переменной «animal_list»:

 animal_list = ['Bison', 'Cat', 'Dog', 'Elephants', 'Horse', 'Ostrich', 'Parrot']
 

Таким образом, желаемая структура будет напоминать (выраженную в формате csv…но это иллюстративно только потому, что я ищу позиционный массив numpy):

 Game, Bison, Cat, Dog, Elephants, Horse, Ostrich, Parrot
"001",0,0,1,0,1,1,0
"002",1,1,0,0,0,0,1
 

Я традиционно формировал это с помощью «двойного цикла» — сначала для «игровых» предметов; затем следует внутренний цикл, который просматривает «именные» предметы. Проблема в том, что у меня длинный список json, и на его выполнение уходит несколько часов.

Спасибо за вашу помощь!

Ниже приведена версия таблицы для pandas.

Вы всегда можете обратиться к ndarray as df.values

 import numpy as np
import pandas as pd

data = [{'game': '001', 'animals': [{'name':'Dog', 'colour':'Red'}, {'name':'Horse', 'age':'6'},{'name':'Ostrich', 'location':'Africa'}]},
        {'game': '002', 'animals': [{'name':'Cat', 'colour':'Green'}, {'name':'Bison', 'location':'North America'},{'name':'Parrot', 'location':'Southeast Asia'}]}]
animal_list = ['Bison', 'Cat', 'Dog', 'Elephants', 'Horse', 'Ostrich', 'Parrot']

games = [d['game'] for d in data]

df = pd.DataFrame(np.zeros((len(games), len(animal_list))),
                  index=games, columns=animal_list)

for ix, g in enumerate(games):
    a = [a['name'] for a in data[ix]['animals']]
    df.loc[g, a] = 1

print(df)


       Bison  Cat  Dog  Elephants  Horse  Ostrich  Parrot
001    0.0  0.0  1.0        0.0    1.0      1.0     0.0
002    1.0  1.0  0.0        0.0    0.0      0.0     1.0