将Python字典转换为数据框架

我有一本Python字典，如下所示:

{u'2012-06-08': 388,
 u'2012-06-09': 388,
 u'2012-06-10': 388,
 u'2012-06-11': 389,
 u'2012-06-12': 389,
 u'2012-06-13': 389,
 u'2012-06-14': 389,
 u'2012-06-15': 389,
 u'2012-06-16': 389,
 u'2012-06-17': 389,
 u'2012-06-18': 390,
 u'2012-06-19': 390,
 u'2012-06-20': 390,
 u'2012-06-21': 390,
 u'2012-06-22': 390,
 u'2012-06-23': 390,
 u'2012-06-24': 390,
 u'2012-06-25': 391,
 u'2012-06-26': 391,
 u'2012-06-27': 391,
 u'2012-06-28': 391,
 u'2012-06-29': 391,
 u'2012-06-30': 391,
 u'2012-07-01': 391,
 u'2012-07-02': 392,
 u'2012-07-03': 392,
 u'2012-07-04': 392,
 u'2012-07-05': 392,
 u'2012-07-06': 392}

键是Unicode日期，值是整数。我想通过将日期和它们对应的值作为两个单独的列来将其转换为熊猫数据框架。示例:col1: Dates col2: DateValue(日期仍然是Unicode, datevalues仍然是整数)

     Date         DateValue
0    2012-07-01    391
1    2012-07-02    392
2    2012-07-03    392
.    2012-07-04    392
.    ...           ...
.    ...           ...

任何在这方面的帮助都将不胜感激。我无法在熊猫文档上找到资源来帮助我。

我知道一个解决方案可能是将这个字典中的每个键-值对转换为一个字典，这样整个结构就变成了字典的字典，然后我们可以将每一行单独添加到数据帧中。但是我想知道是否有更简单更直接的方法。

到目前为止，我已经尝试将字典转换为一个系列对象，但这似乎没有保持列之间的关系:

s  = Series(my_dict,index=my_dict.keys())

当前回答

在普通字典上的%timeit结果和pd. datafame .from_dict()是明显的赢家。

%timeit cols_df = pd.DataFrame.from_dict(clu_meta,orient='index',columns=['Columns_fromUser'])
214 µs ± 9.38 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

%timeit pd.DataFrame([clu_meta])
943 µs ± 10.6 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

%timeit pd.DataFrame(clu_meta.items(), columns=['Default_colNames', 'Columns_fromUser'])
285 µs ± 7.91 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

2022-11-25 02:14:12

其他回答

将字典的项传递给DataFrame构造函数，并给出列名。之后，解析Date列以获得时间戳值。

注意python 2之间的区别。X和3.x:

在python 2.x中:

df = pd.DataFrame(data.items(), columns=['Date', 'DateValue'])
df['Date'] = pd.to_datetime(df['Date'])

在Python 3中。X:(需要额外的“列表”)

df = pd.DataFrame(list(data.items()), columns=['Date', 'DateValue'])
df['Date'] = pd.to_datetime(df['Date'])

2013-09-16 21:11:07

pd.DataFrame({'date' : dict_dates.keys() , 'date_value' : dict_dates.values() })

2015-09-02 05:45:04

另外，我发现面向行的例子很有帮助;因为通常记录是如何存储在外部的。

https://pbpython.com/pandas-list-dict.html

2019-08-04 01:12:40

Pandas具有将字典转换为数据帧的内置功能。

pd.DataFrame.from_dict (dictionaryObject东方=“指数”)

对于你的数据，你可以像下面这样转换:

import pandas as pd
your_dict={u'2012-06-08': 388,
 u'2012-06-09': 388,
 u'2012-06-10': 388,
 u'2012-06-11': 389,
 u'2012-06-12': 389,
 u'2012-06-13': 389,
 u'2012-06-14': 389,
 u'2012-06-15': 389,
 u'2012-06-16': 389,
 u'2012-06-17': 389,
 u'2012-06-18': 390,
 u'2012-06-19': 390,
 u'2012-06-20': 390,
 u'2012-06-21': 390,
 u'2012-06-22': 390,
 u'2012-06-23': 390,
 u'2012-06-24': 390,
 u'2012-06-25': 391,
 u'2012-06-26': 391,
 u'2012-06-27': 391,
 u'2012-06-28': 391,
 u'2012-06-29': 391,
 u'2012-06-30': 391,
 u'2012-07-01': 391,
 u'2012-07-02': 392,
 u'2012-07-03': 392,
 u'2012-07-04': 392,
 u'2012-07-05': 392,
 u'2012-07-06': 392}

your_df_from_dict=pd.DataFrame.from_dict(your_dict,orient='index')
print(your_df_from_dict)

2017-12-20 10:07:33

在普通字典上的%timeit结果和pd. datafame .from_dict()是明显的赢家。

%timeit cols_df = pd.DataFrame.from_dict(clu_meta,orient='index',columns=['Columns_fromUser'])
214 µs ± 9.38 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

%timeit pd.DataFrame([clu_meta])
943 µs ± 10.6 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

%timeit pd.DataFrame(clu_meta.items(), columns=['Default_colNames', 'Columns_fromUser'])
285 µs ± 7.91 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

2022-11-25 02:14:12

将Python字典转换为数据框架

推荐文章

最新文章

标签