python - 压平深度嵌套的 JSON 以获取 Dataframe 的最快且通用的方法是什么？

Question

我正在尝试对从我的 Google 时间轴中获得的我自己的位置数据进行一些描述。但是当试图获取一些可用的数据时，将其从 JSON 文件转换为 DataFrame。它提出了一些我想得到一些答案的问题，因为在尝试将 JSON 文件转换为 DataFrame 时，我觉得我将以一种低效的方式进行。

描述我的 JSON 是什么样子。它是一个 3 层深的 JSON，大约有 450 万行。 JSON 的一个小例子:

"locations" : [ 
{
  "timestampMs" : "1489591483",
  "latitudeE7" : -21.61909,
  "longitudeE7" : 121.65283,
  "accuracy" : 23,
  "velocity" : 18,
  "heading" : 182,
  "altitude" : 55,
  "activity" : [ {
    "timestampMs" : "1489591507",
    "activity" : [ {
      "type" : "IN_VEHICLE",
      "confidence" : 49
    }, {
      "type" : "UNKNOWN",
      "confidence" : 17
    }, {
      "type" : "ON_BICYCLE",
      "confidence" : 15
    }, {
      "type" : "ON_FOOT",
      "confidence" : 9
    }, {
      "type" : "STILL",
      "confidence" : 9
    }, {
      "type" : "WALKING",
      "confidence" : 9
    } ]
  } ]
},
...
]

为了将其转换为 DataFrame，我想将这 3 个级别展平为 0 个级别。我已经看到一些将 json_normalize 与 .apply 或 .append 结合使用的实现，但因此您仍然需要知道值的键，我宁愿看到它更通用(所以不知道键)。它还需要手动迭代这些值。现在我想知道的是:“是否有一种方法可以在不使用应用或追加的情况下自动将 JSON 扁平化为 0 级？”如果没有这样的方法，将 JSON 扁平化并将其转换为 DataFrame 的首选方法是什么？

---

编辑:添加了一个 DataFrame 应该是什么样子的例子和一个更好的 JSON 例子。

---

举一个 DataFrame 应该是什么样子的小例子，见下图:

为了包含一个更好的 JSON 示例，我在下面包含了一个 Pastebin URL: tiny location history sample

Answer 1

使用json_normalize，指定record_path 和meta_path。

df = pd.io.json.json_normalize(d, ['locations', 'activity', 'activity'], 
                         ['locations', ['locations', 'activity', 'timestampMs']])
df = df.drop('locations', 1).add_prefix('activity.')
v = pd.DataFrame(df['locations'].tolist()).drop('activity', 1)    

pd.concat([df, v], 1)


   activity.confidence activity.type activity.locations.activity.timestampMs  \
0                   49    IN_VEHICLE                              1489591507   
1                   17       UNKNOWN                              1489591507   
2                   15    ON_BICYCLE                              1489591507   
3                    9       ON_FOOT                              1489591507   
4                    9         STILL                              1489591507   
5                    9       WALKING                              1489591507   

   accuracy  altitude  heading  latitudeE7  longitudeE7 timestampMs  velocity  
0        23        55      182   -21.61909    121.65283  1489591483        18  
1        23        55      182   -21.61909    121.65283  1489591483        18  
2        23        55      182   -21.61909    121.65283  1489591483        18  
3        23        55      182   -21.61909    121.65283  1489591483        18  
4        23        55      182   -21.61909    121.65283  1489591483        18  
5        23        55      182   -21.61909    121.65283  1489591483        18