本文目錄一覽：
C#怎麼解析Json並提取所有內容到字典或List，要具體代碼。
//需要引用附件dll
TextReader reader = File.OpenText(“json.txt”);
JsonReader readerJson = new JsonTextReader(reader);
Dictionaryobject, object dict = new Dictionaryobject, object();
object temp = new object();
while (readerJson.Read())
{
if (readerJson.Value != null)
{
switch (readerJson.TokenType)
{
case JsonToken.PropertyName:
dict.Add(readerJson.Value, new object());
temp = readerJson.Value;
break;
default:
dict[temp] = readerJson.Value;
break;
}
Console.WriteLine(readerJson.TokenType + “\t” + readerJson.Value);
}
}
效果圖：
JSON解析器json-c
JSON-C實現了一個引用計數對象模型，它允許您輕鬆地使用C語言來構建JSON對象，將它們輸出為JSON格式的字符串，並將JSON格式字符串解析回JSON對象的C語言表示形式。它的目標是符合 RFC 7159 標準。
使用automake的編譯過程如下：
使用cmake編譯的過程如下：
cmake可選的幾個編譯選項為：
要使用json-c，最簡單的方式是包含json.h頭文件即可，或者最好是下列更具體的頭文件之一:
詳細且全面的API介紹文檔：
JSON-C支持的JSON對象類型有7種：
下面系列函數用於創建一個JSON對象：
給JSON對象增加字段（不會增加引用計數）：
刪除json對象的指定字段，被刪除的對象引用計數減去1，如果這個val沒有更多的所有者，這個key對應的val被free，否則這個val的引用保存在內存中：
增加一個元素到json數組的末尾，obj引用計數不會增加，增加字段的方式更加緊湊；如果需要獲取val的引用，需要用json_object_get()來傳遞該對象：
替換json數組中的值：
json數組的排序，這裡需要自己寫排序函數：
獲取json對象的長度，依據字段的數目：
獲取json對象的哈希表：
獲取對象的數組列表：
獲取json的類型：
獲取json數組對象的長度：
獲取json對象的bool值，int和double對象是0轉換為FALSE，否則返回TRUE；非0長度的字符串返回TRUE；其他對象非空的話，返回TRUE：
獲取json對象的長度,如果參數不是string類型的json，返回0：
按照索引獲取json數組的對象：
轉換json對象到c字符串格式：
獲取JSON中指定類型的數值：
將字符串轉換為json對象：
以下兩個函數配合使用，前者獲取該對象指針的所有權，引用計數加1，如果對象已經被釋放，返回NULL；後者引用計數減1，如果對象已經被釋放，返回1：
類型判斷：
json_util.h提供了有關文件讀寫操作的函數，這個文件的內容是json格式的：
有沒有免費雲存儲JSON，並能隨時編輯和調用該JSON的網站？
一般來說沒有雲存儲JSON，有也是要收費的。不會是免費，因為服務器的維護和存儲空間不可能免費給你用。
pandas常用函數匯總
pandas官方文檔:
對常用函數做了匯總，每個函數的參數可能不是全的，但是常用的，不常用的沒總結，如有問題，請不吝賜教，謝謝！
1、創建Series
通用函數：pd.Series(values,index)
1)pd.Series([1,2,3],index=[『a』,『b』,『c『])
2)pd.Series(np.array([1,2,3]),index=[『a』,『b』,『c『])
3)pd.Series({ ‘a’：1, ‘b’：2, ‘c’：3})
Series轉字典：Series.to_dict()
說明：Series的values參數是python中常見的一維數據類型。
2、屬性
1）Series.values —array([1,2,3])
Series的values是array類型
2）Series.index—index([『a』,『b』,『c『])
未指定index時，自動生成 0-（N-1）的整數索引，
指定 index時，使用指定索引。
3、Series的索引與切片
Series[0] / Series[‘a’] : Sereis可以位置索引或標籤索引，也可以進行切片操作
1、創建DataFrame
1) 創建DataFrame的通用函數：
df = pd.DataFrame(values,index,columns)
pd.dataFrame([[1,2,3],[4,5,6],[7,8,9]],index=[‘a’,’b’,’c’],columns=[‘bj’,’sh’,’sz’])
pd.dataFrame(np.arange(1,10).reshape(3,3),index=[‘a’,’b’,’c’],columns=[‘bj’,’sh’,’sz’])
pd.dataFrame(‘bj’:[1,4,7],’sh’:[2,5,8],’sz’:[3,6,9],index=[‘a’,’b’,’c’])
說明：創建方法與Sries類似，Series的values參數是python中常見的一維數據類型，DataFrame的values參數是python中常見的二維數據類型。
2) 通過網頁中複製數據快捷創建
import webbrowser
link = ”
webbrowser.open(link)
打開界面進行複製，將數據複製到粘貼板中
df = pd.read_clipboard() #從粘貼板中讀取數據
3）通過Series創建DataFrame
df = pd.DataFrame([s1,s2,s3],columns=[‘bj’,’sh’,’sz’])
注意：單獨的s1,s2,s3是縱向排列的的Series，但是在DataFrame中是橫向排列的。
自己總結：Series除了打印出來是Series格式外，其他時候可以直接當作list來操作。
2、屬性
1)df.columns
通過columns生成新的DataFrame
df_new = pd.DataFrame(df,columns=[‘x1′,’x2’])
或者df_new = df[[‘x1′,’x2’]]
2)df.shape 顯示行列數
3)df.head() 默認顯示前5行
4)df.tail() 默認顯示後5行
3、獲取DataFrame的列
1）獲取DataFrame某一列
df.x1或df[‘x1’]:返回值是Series,可以理解為一個DataFrame是由多個Series組成的。
2) 獲取DataFrame某幾列
df_new = df[[‘x1′,’x2′,’x3’]]
4、為某列賦值
1) df[‘x1’] = range(10)
2) df[‘x1’] = numpy.arange(10)
3) df[‘x1’] = pd.Series(np.arange(10))
說明：類似於創建Series
5、為某列對應的特定行重新賦值
df[‘x1’] = pd.Series([2,3],index=[0,1])
將列為x1,行索引為0和1的值改為2,3
6、獲取DadaFrame的行
for row in DataFrame.iterrows():
print(row[0],row[1])
#每個row是一個元祖，包含2個元素，row[0]是整型索引，row[1]是Series,所以從行的角度也可以看出，一個DataFrame是由多個Series組成的。
7、DataFrame的轉置
df_new = df.T
1、粘貼板的io
df = pd.read_clipboard()
df.to_clipboard()
2、csv的io
df.to_csv(‘xxx.csv’)
df = pd.read_csv(‘xxx.csv’)
3、json的io
df.to_json()
pd.read_json(df.to_json())
4、excel的io
df.to_excel(‘xx.xlsx’)
df = pd.read_excel(‘xx.xlsx’)
5、df = pd.read_sql(”)
df.to_sql(”)
1、iloc
sub_df = df.iloc[10:20,:] 選取DataFrame的10-20行，所有列數據
sub_df = df.iloc[10:20,0:2]
說明：iloc函數是位置索引，與索引的名字無關。
2、loc
sub_df = df.loc[10:20,:’movie_name’]
說明：loc是標籤索引，10,20，’movie_name’ 都是索引名字，與位置無關。
1、Series.reindex(index=[‘x1′,’x2′,’x3’],fill_value=10)
將df重新索引，並且將NaN空值用10進行填充
2、Series.reindex(index=range(15),method=’ffill’)
前項填充，後面的值用前面的值進行填充
通過reindex想到，如果想新增一個空列或者空行，可以用reindex方法,同樣地，想減少某些行或者某些列，也可以用reindex方法。
繼reindex之後刪除行列的函數操作
Series.drop(‘A’) #刪除’A’所對應的值
DataFrame.drop(label,axis)
label可以是行名也可以是列名，label是行的話axis是0，label是列的話axis是1。
** 刪除行還可以用 del df[‘A’]
nan是numpy的一種數據類型，np.nan,float類型
任何數據與nan的運算結果都是nan
1、nan in Series
Series.isnull() –返回value為True或者False的Series
Series.notnull() –返回value為True或者False的Series
Series.dropna() –返回刪除nan值後的Series
Series.fillna(method=’ffill’) –前項插值，按照前面的值填充後面的空值
2、nan in DataFrame
df.isnull() –返回value為True或者False的DataFrame
df.notnull() –返回value為True或者False的DataFrame
df.dropna(axis=0/1,how=’any/all’，thresh=None)
說明：axis表示刪除行為nan或者列為nan；
any表示只要有一個為空，all表示行中的每個元素或者列中的每個元素為空；
thresh是閾值的意思，表示某行或者某列nan的個數達到閾值的個數時才刪除該行或該列。
df.fillna(value=1) —所有的空值都填充為1
df.fillna(value={0:0,1:1,2:2}) —將0列的空值填為0,1列的空值填為1,2列的空值填為2，默認為填充列
注意：fillna和dropna的特點，生成新的DataFrame,原來的DataFrame不變。
1、多重索引介紹
Series = pd.Series(np.random.randn(6),index=[[‘1′,’1′,’1′,’2′,’2′,’2’],[‘a’,’b’,’c’,’a’,’b’,’c’]])
‘1’,’2’為一級索引，’a’,’b’,’c’為二級索引
df 可以看做是索引的’1′,’2’的Series
Series[‘1’] –Series
Series[‘1’][‘a’] –value
Series[:,’a’] –選擇’1’和’2’中的’a’對應的值
2、多重索引格式轉為二維DataFrame
df = Series.unstack() –轉為二維DataFrame
3、多重索引在DataFrame中的操作
1、 map函數與apply函數、applymap函數的區別：
1）map函數對Series中的每個元素作用；
2）applymap函數對DataFrame中的每個元素作用；
3）apply函數對對DataFrame和Series的一列做整體運算。
2、Series.replace(to_replace=[2,3,4],values=[20,30,40]) 替換Series中多個值
Series.replace({1:10,2:20}) 將索引為1的值替換為10，將索引為2的值替換為20
df.sum() –默認按照列進行求和,nan的值被忽略
df.min() –默認按照列求最小值
df.max() –默認按照列求最大值
df.mean() –默認按照列求平均值
df.describe() –默認按照列進行描述
df.sum(axis=1) –按行求和，nan的值被忽略
#axis=0表示對橫軸進行操作，但是運算中表現為縱軸操作
#axis=1表示對縱軸進行操作，但是運算中表現為橫軸操作
bins = [0,59,70,80,100],bins是分割範圍
score_cat = pd.cut(Series,bins) —得到catgory類型的數據
DataFrame的分箱技術很棒啊！
pd[‘catgory’] = pd.cut(df[‘a’],bins=[0,59,70,80,100],labels=[‘low’,’ok’,’good’,’great’])
–新增一列，將a列的值按照labels進行分類標記，good!!!
#生成長度為3的隨機字符串 pd.util.testing.rands(3)
1、按照一列分組
g = df.groupby(‘city’)
g是分組類型數據，打印不出來，所以看不到，但是有屬性和方法可以間接的了解
1） g.groups –得到分的幾個組，和每個組包含的索引
2）g.get_group(‘BJ’) –得到’BJ’所對應的組
3）groupby = split +apply +combine
g.mean() –求每組的平均值
g.max() –求每組的最大值
g.min() –求每組的最小值
g.count()
g.describe()
4）g是一個可迭代對象，可以用list函數將其轉化為list
list(g) — [(‘組名1’,DataFrame1),(‘組名2’,DataFrame2),(),()]
dict(list(g)) –將其轉化為字典
同時可以通過for循環進行遍歷操作：for item,desc in g:print(item,desc)
#怪不得分組後不是DataFrame，因為元組的第一個元素是’分組名’。
2、按照多列分組
g_new = df.groupby([‘city’,’wind’])
得到生成器(((‘分組1′,’分組2’),DataFrame),(),()…)
g_new.get_group((‘分組1′,’分組2’))
for (name_1,name_2),group in g_new:
print((name_1,name_2),group)
g.mean() –求每組的平均值
與g.agg(‘mean’)方法一樣
pd.pivot_table(df,index=[”,”],aggfuc=’sum’,values=[”,”])
index是分組的組名，values是透視表呈現結果的列，columns是values下的分解
#感覺透視表呈現的結果就是groupby+agg後的結果
#分析者需要對數據結構有一定的了解
df.sort_values(by=”,ascending=True/False)[:10] df可以索引
df.value_counts() –按值計數
df.[‘a’] = df[‘b’].apply(lambda x:x0) –DataFrame中的True/False
通過g.size()可以看到被groupby之後的數據，得到的是一個Series
1、Series的排序：
1）對值進行排序
Series.sort_values() —直接對Series的值進行排序
2）通過索引進行排序
Series.sort_index()
#默認都是升序排列
2、DataFrame的排序
df.sort_values(by=”) –按照某列的順序進行排序
df[‘a’].sort_values() –返回對a列數據的排序結果，只返回a列
1、df.index = Series([‘a’,’b’,’c’]) 直接對index賦予新值
2、df.index = df.index.map(str.upper)
map函數中只傳入新的函數名即可
3、df.rename(index=str.upper,columns=str.lower)
或者傳遞字典，進行一一轉換
pd.merge(df1,df2,on=None,how=’left/right/inner/outer’)
pd.merge(df1,df2) –沒有on參數默認先找相同的columns,然後在columns下找相同的values
pd.merge(df1,df2,on=’columns’) –on參數是指按照指定列進行merge
left:表示以左邊的數據表為基準，進行填充右面的數據
right:表示以右邊的數據表為基準，填充左邊的數據
outer:以on的指定列的所有值為基準，填充兩邊的數據
inner:默認inner,相同on指定的columns下的相同values對應的左右兩邊的數據
1、concat拼接
pd.concat([Series1,Series2])
pd.concat([df1,df2]) — 上下疊加，將沒有的列進行填充
2、combine組合
Series1.combine_first(Series2) –用Series2的值去填充Series1中為空的值
df1.combine_first(df2) —用df2將df1中的空值填充
df[‘A’] = df[‘A’].apply(str.upper) —apply函數中也只輸入函數名
len(df) –求df的長度
len(df[‘a’].unique()) –查看a列中不重複數據的多少
Series.duplicated() –返回一列True/False的Series
Series.drop_duplicates() –刪除重複值
df.drop_duplicates(‘a’,keep=’first/last’)
df.drop_duplicates() –刪除完全重複的行
參數：’a’表示以a列為基準，刪除重複值
first表示保留第一個，last表示保留最後一個
data_list = pd.date_range(start,end,period=’D’,freq)
period=’D’,以天為單位
freq = ‘W’ 以周為單位
freq = ‘W-Mon’以每周一位單位
freq = ‘5H’ 以5h為單位
以data_range作為索引提取數據比較簡單
df[datetime(2017,9,1)]
df[‘2017-09-01’]
df[‘20170901’]
df[‘201709’]
對時間序列數據進行分組聚合操作：
s1.resample(‘M’).mean() –以月為單位進行採樣，然後求每組的平均值
s1.resample(‘H’).ffill() –前項填充
s1.resample(‘H’).bfill() –後項填充
補充：1）jupyter中可以執行linux命令，太棒了！
!ls
!more xxx.csv
!pwd 等等
2）jupyter 查看函數幫助的快捷鍵：摁住shift + tab 棒！！！
原創文章，作者：小藍，如若轉載，請註明出處：https://www.506064.com/zh-hk/n/195718.html
微信掃一掃 
支付寶掃一掃 