Exempel # 01
Vi kommer att demonstrera i praktiken hur man använder 'to_json()'-metoden för 'pandas' för att ändra 'pandas' DataFrame till JSON-formatet. Paketet 'pandas' importeras här, vilket är 'numpy', och vi importerar det som 'np'. Nu, för att exekvera 'pandas'-koden, bör pandans paket importeras. För att importera det paketet använder vi nyckelordet 'import'. Sedan ställer vi in 'pandas som pd', vilket betyder att vi enkelt kan komma åt eller använda alla 'pandas-paket' som vi behöver genom att bara placera 'pd' där.
Vi skapar numpy-arrayen här genom att använda 'np. array' hjälper denna 'np' oss att komma åt de numpy biblioteksfunktionerna. Denna numpy array lagras också i variabeln 'New_data', och vi sätter 'A, B, C, D' och 'E, F, G, H' till denna numpy array. Denna numpy array konverteras nu till DataFrame genom att använda metoden 'pd.DataFrame'. Detta är 'pandas'-metoden som vi kommer åt här genom att placera 'pd'. När vi konverterar denna numpy-array till DataFrame, lägger vi också in kolumnnamnen.
Namnen vi lägger till här som kolumnrubriker är 'col1, col2, col3 och col4'. Då ser du att vi har 'utskriften' nedan där vi anger namnet på DataFrame, som i det här fallet är 'New_dataFrame', så detta kommer att renderas vid exekvering av denna kod. Nu konverterar vi denna DataFrame till JSON-formatet genom att använda metoden 'to_json()'. Vi ställer in namnet på DataFrame 'New_dataFrame' med metoden 'to_json()' och placerar även denna metod i variabeln 'New_json'. Här skickade vi inte någon parameter till denna 'to_json()'-metod. JSON-formatet för DataFrame placeras nu i 'print' och det kommer också att återges på konsolen.
För kompilering och exekvering av den här koden trycker vi på 'Shift+Enter' och om koden är felfri kommer utdata att renderas. Här klistrar vi också in resultatet av denna kod där vi har visat DataFrame som vi har skapat i det här exemplet och även JSON-formatet för den DataFrame.
Exempel # 02
Här importerar vi bara ett bibliotek, som är 'pandas' och sedan skapas listan 'AtoZ_Courses' och vi placerar några listor i den, som är 'Python, 29000, 35 dagar och 1000.0', sedan lägger vi ' JavaScript, 27000, 55 dagar och 2300.0', efter det lägger vi till 'HTMLCSS, 25000, 25 dagar och 1500.0'. Nu har vi också infogat ytterligare två data som 'DataBase, 24000, 45 dagar och 1500.0' och 'OOP, 21000, 35 dagar, 1500.0' också. 'AtoZ_Courses'-listan har nu ändrats i DataFrame, och vi döpte den till 'AtoZ_Courses_df'. 'Courses_Name, Payment, Duration och Bonus' läggs till här som kolumnnamnen för DataFrame.
Nu genereras DataFrame i detta steg, och vi lägger till den i 'print()'-satsen för att visa den på terminalen. Nu, med hjälp av 'to_json()'-metoden, omvandlar vi 'AtoZ_Courses_df' DataFrame till JSON-formatet. Denna 'to_json()'-metod får också en parameter som är 'orient= kolumn', som också är standardparametern. Den visar DataFrame som dict som '{kolumnnamn -> {indexvärde -> kolumnvärde}} format'.
Här, i JSON-formatet, visar den kolumnnamnet och lägger sedan alla värden i den kolumnen tillsammans med indexvärdet. Först nämner den namnet på den första kolumnen, och sedan renderas alla värden i den första kolumnen tillsammans med indexvärdena, och sedan placerar den andra kolumnnamnet och även alla värden i den andra kolumnen med index och så vidare.
Exempel # 03
DataFrame genereras i denna kod med namnet 'Bachelors_df'. Vi har infogat fem kolumner i denna 'Bachelors_df'. Den första kolumnen vi har här är kolumnen 'Student', och vi infogar 'Lily, Smith, Bromley, Milli och Alexander' i den. Kolumnen som kommer härnäst är kolumnen 'Degree', som innehåller 'IT, BBA, engelska, CS och DVM'. Sedan kommer 'year_of_joining' framåt där vi lägger till elevernas anslutningsår, som är '2015, 2018, 2017, 2015 och 2014'.
Kolumnen bredvid den här kolumnen är 'year_of_graduation', som innehåller examensåren för dessa studenter är '2019, 2022, 2021, 2019 och 2018'. Vi lägger också till kolumnen 'CGPA' här där vi placerar CGPA för eleverna '3.3, 3.5, 3.6, 3.7 och 3.8'. För att visa 'Bachelors_df' på terminalen inkluderar vi det i uttrycket 'print()'. Nu konverterar vi ' Bachelors_df ' DataFrame till JSON-formatet med metoden 'to_json()'.
Parametern 'orient= records' skickas också till denna 'to_json()'-metod i den här koden. Dessa 'orient=-poster' kommer att visa JSON-formatet som '[{kolumnnamn -> kolumnvärde}, ... , {kolumnnamn -> kolumnvärde}]'. DataFrames JSON-format är nu inställt på 'skriv ut', och det kommer också att visas på terminalen.
DataFrame visas helt enkelt här i form av kolumner och rader, men i JSON-formatet kan du märka att den lägger namnet på kolumnen och sedan visar värdet på den kolumnen; efter att ha visat värdet på en kolumn, skriver den ut namnet på den andra kolumnen och anger sedan värdet på den kolumnen och så vidare eftersom vi ställer in parametern för 'to_josn'-metoden som 'orient= records'.
Exempel # 04
Vi skapar en numpy array 'My_data' där vi infogar '2, 4' och '6, 8'. Ändra sedan numpy-arrayen till DataFrame 'My_dataFrame' och ställ in dess kolumnnamn som 'A1 och A2'. Nu, efter att ha visat DataFrame här genom att använda 'print'. Vi använder metoden 'to_json()' först utan några parametrar och visar den. Efter detta ställer vi in 'to_json()'-metodens parameter till 'orient=split' och skriver även ut detta format. Sedan tillämpar vi 'to_josn()' igen på 'My_dataFrame' och den här gången skickar vi 'orient=records' som parameter för denna funktion.
Under detta lägger vi 'orient= index' med 'My_dataFrame' och renderar detta JSON-format. Efter denna parameter använder vi återigen 'to_json' med parametern 'orient = column' och renderar den också. Sedan skickar vi 'orient= värden' som parametern för metoden 'to_json()' och tillämpar den på 'My_dataFrame'. Vi ställer också in parametern för denna funktion till 'orient= table' och använder den igen med samma DataFrame och visar även detta JSON-format. Nu kommer vi att notera skillnaden mellan JSON-formaten i utgången av denna kod.
Här kan du enkelt hitta skillnaden mellan formaten för JSON, som vi har tillämpat på samma DataFrame. Alla parametrar som vi har skickat i 'to_json'-metoden visas i olika format här.
Slutsats
Den här guiden visar JSON-formatet och har förklarat detta JSON-format i detalj och hur man konverterar pandas DataFrame till JSON. Vi har förklarat att metoden 'to_json()' används för att konvertera pandas DataFrame till JSON-formatet. Vi har också diskuterat olika parametrar, som vi har skickat till metoden 'to_json()' här. Vi har tillhandahållit en komplett guide där vi har använt 'to_json()'-metoderna genom att sätta alla möjliga parametrar till denna 'to_json()'-metod i vår 'pandas'-kod och även visat dem i utdatat hur dessa parametrar ändrar formatet av JSON.