关于json:将两个python数据处理脚本组合到一个工作流程中

Combine two python data processing scripts into a single work flow

我正在处理一个数据处理任务。

我有两个python脚本,每个脚本都实现了一个单独的函数,但是它们在相同的数据上操作,我认为它们可以组合成一个单独的工作流程,但是我想不出实现这一点的最合理的方法。

数据文件在这里,它是JSON,但它有两个不同的组件。

第一部分如下:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
{
   "links": {
       "self":"http://localhost:2510/api/v2/jobs?skills=data%20science"
    },
   "data": [
        {
           "id": 121,
           "type":"job",
           "attributes": {
               "title":"Data Scientist",
               "date":"2014-01-22T15:25:00.000Z",
               "description":"Data scientists are in increasingly high demand amongst tech companies in London. Generally a combination of business acumen and technical skills are sought. Big data experience ..."
            },
           "relationships": {
               "location": {
                   "links": {
                       "self":"http://localhost:2510/api/v2/jobs/121/location"
                    },
                   "data": {
                       "type":"location",
                       "id": 3
                    }
                },
               "country": {
                   "links": {
                       "self":"http://localhost:2510/api/v2/jobs/121/country"
                    },
                   "data": {
                       "type":"country",
                       "id": 1
                    }
                },

它由第一个python脚本完成,这里:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
import json
from collections import defaultdict
from pprint import pprint

with open('data-science.txt') as data_file:
    data = json.load(data_file)

locations = defaultdict(int)

for item in data['data']:
    location = item['relationships']['location']['data']['id']
    locations[location] += 1

pprint(locations)

呈现此表单的数据:

1
2
3
4
5
6
7
8
9
         1: 6,
         2: 20,
         3: 2673,
         4: 126,
         5: 459,
         6: 346,
         8: 11,
         9: 68,
         10: 82,

这些是位置"id"和分配给该位置的记录数。

JSON对象的另一部分如下所示:

1
2
3
4
5
6
7
8
9
10
11
12
"included": [
    {
       "id": 3,
       "type":"location",
       "attributes": {
           "name":"Victoria",
           "coord": [
                51.503378,
                -0.139134
            ]
        }
    },

并由以下python文件处理:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
import json
from collections import defaultdict
from pprint import pprint

with open('data-science.txt') as data_file:
    data = json.load(data_file)

locations = defaultdict(int)

for record in data['included']:
    id = record.get('id', None)
    name = record.get('attributes', {}).get('name', None)
    coord = record.get('attributes', {}).get('coord', None)
    print(id, name, coord)

它以这种格式输出数据:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
3 Victoria [51.503378, -0.139134]
1 United Kingdom None
71 data science None
32 None None
3 Victoria [51.503378, -0.139134]
1 United Kingdom None
1 data mining None
22 data analysis None
33 sdlc None
38 artificial intelligence None
39 machine learning None
40 software development None
71 data science None
93 devops None
63 None None
52 Cubitt Town [51.505199, -0.018848]

我实际想要的是最终的输出结果如下:

1
3, Victoria, [51.503378, -0.139134], 2673

其中2673引用第一个脚本中的作业计数。

如果它没有任何坐标,例如[51.503378, -0.139134],我可以扔掉它。

我相信将这些脚本组合在一起并获得输出是可能的,但是我不是一个全面的思考者,我不知道如何做到。

所有真正的项目文件都在这里。


使用functions是组合两个脚本的一种方法,毕竟它们处理相同的数据。因此,您应该为每个处理逻辑块创建一个函数,然后最终组合结果:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
import json
from collections import defaultdict
from pprint import pprint

def process_locations_data(data):
    # processes the 'data' block
    locations = defaultdict(int)
    for item in data['data']:
        location = item['relationships']['location']['data']['id']
        locations[location] += 1
    return locations

def process_locations_included(data):
    # processes the 'included' block
    return_list = []
    for record in data['included']:
        id = record.get('id', None)
        name = record.get('attributes', {}).get('name', None)
        coord = record.get('attributes', {}).get('coord', None)
        return_list.append((id, name, coord))
    return return_list    # return list of tuples

# load the data from file once
with open('data-science.txt') as data_file:
    data = json.load(data_file)

# use the two functions on same data
locations = process_locations_data(data)
records = process_locations_included(data)

# combine the data for printing
for record in records:
    id, name, coord = record
    references = locations[id]   # lookup the references in the dict
    print id, name, coord, references

该函数可以有更好的名称,但这应该实现您正在寻找的统一。