Como json_normalizar uma coluna com NaNs

Question

• Esta questão é específica para colunas de dados em um pandas.DataFrame
• Esta questão depende de se os valores nas colunas são str, dictou listtipo.
• Esta questão trata de lidar com os NaNvalores, quando df.dropna().reset_index(drop=True)não é uma opção válida.

Caso 1

• Com uma coluna do strtipo, os valores na coluna devem ser convertidos em dicttipo, com ast.literal_eval, antes de usar .json_normalize.

import numpy as np
import pandas as pd
from ast import literal_eval

df = pd.DataFrame({'col_str': ['{"a": "46", "b": "3", "c": "12"}', '{"b": "2", "c": "7"}', '{"c": "11"}', np.NaN]})

                            col_str
0  {"a": "46", "b": "3", "c": "12"}
1              {"b": "2", "c": "7"}
2                       {"c": "11"}
3                               NaN

type(df.iloc[0, 0])
[out]: str

df.col_str.apply(literal_eval)

Erro:

df.col_str.apply(literal_eval) results in ValueError: malformed node or string: nan

Caso 2

• Com uma coluna do dicttipo, use pandas.json_normalizepara converter chaves em cabeçalhos de coluna e valores em linhas

df = pd.DataFrame({'col_dict': [{"a": "46", "b": "3", "c": "12"}, {"b": "2", "c": "7"}, {"c": "11"}, np.NaN]})

                           col_dict
0  {'a': '46', 'b': '3', 'c': '12'}
1              {'b': '2', 'c': '7'}
2                       {'c': '11'}
3                               NaN

type(df.iloc[0, 0])
[out]: dict

pd.json_normalize(df.col_dict)

Erro:

pd.json_normalize(df.col_dict) results in AttributeError: 'float' object has no attribute 'items'

Caso 3

• Em uma coluna do strtipo, com o dictinterior a list.
• Para normalizar a coluna
  • aplicar literal_eval, porque explodir não funciona no strtipo
  • explodir a coluna para separar o dictspara separar linhas
  • normalizar a coluna

df = pd.DataFrame({'col_str': ['[{"a": "46", "b": "3", "c": "12"}, {"b": "2", "c": "7"}]', '[{"b": "2", "c": "7"}, {"c": "11"}]', np.nan]})

                                                    col_str
0  [{"a": "46", "b": "3", "c": "12"}, {"b": "2", "c": "7"}]
1                       [{"b": "2", "c": "7"}, {"c": "11"}]
2                                                       NaN

type(df.iloc[0, 0])
[out]: str
    
df.col_str.apply(literal_eval)

Erro:

df.col_str.apply(literal_eval) results in ValueError: malformed node or string: nan

Answer 1

• Conforme apontado em um comentário, sempre há a opção de:
  • df = df.dropna().reset_index(drop=True)
  • Isso é bom para os dados fictícios aqui, ou ao lidar com um dataframe onde as outras colunas não importam.
  • Não é uma ótima opção para dataframes com colunas adicionais necessárias.

Caso 1

• Como a coluna contém strtipos, preencha com '{}'(a str)

import numpy as np
import pandas as pd
from ast import literal_eval

df = pd.DataFrame({'col_str': ['{"a": "46", "b": "3", "c": "12"}', '{"b": "2", "c": "7"}', '{"c": "11"}', np.NaN]})

                            col_str
0  {"a": "46", "b": "3", "c": "12"}
1              {"b": "2", "c": "7"}
2                       {"c": "11"}
3                               NaN

type(df.iloc[0, 0])
[out]: str

# fillna
df.col_str = df.col_str.fillna('{}')

# convert the column to dicts
df.col_str = df.col_str.apply(literal_eval)

# use json_normalize
df = df.join(pd.json_normalize(df.col_str)).drop(columns=['col_str'])

# display(df)
     a    b    c
0   46    3   12
1  NaN    2    7
2  NaN  NaN   11
3  NaN  NaN  NaN

Caso 2

• Uma vez que a coluna contém dicttipos, preencha com {}(não um str)
• Isso precisa ser preenchido usando uma compreensão de dicionário, uma vez fillna({})que não funciona

df = pd.DataFrame({'col_dict': [{"a": "46", "b": "3", "c": "12"}, {"b": "2", "c": "7"}, {"c": "11"}, np.NaN]})

                           col_dict
0  {'a': '46', 'b': '3', 'c': '12'}
1              {'b': '2', 'c': '7'}
2                       {'c': '11'}
3                               NaN

type(df.iloc[0, 0])
[out]: dict
    
# fillna
df.col_dict = df.col_dict.fillna({i: {} for i in df.index})

# use json_normalize
df = df.join(pd.json_normalize(df.col_dict)).drop(columns=['col_dict'])

# display(df)
     a    b    c
0   46    3   12
1  NaN    2    7
2  NaN  NaN   11
3  NaN  NaN  NaN

Caso 3

1. Preencha o NaNscom '[]'(a str)
2. Agora literal_evalvai funcionar
3. .explodepode ser usado na coluna para separar os dictvalores em linhas
4. Agora, a NaNsnecessidade de ser preenchido com {}(não um str)
5. Então a coluna pode ser normalizada

• Para o caso em que a coluna é listsde dicts, que não são do strtipo, pule para .explode.

df = pd.DataFrame({'col_str': ['[{"a": "46", "b": "3", "c": "12"}, {"b": "2", "c": "7"}]', '[{"b": "2", "c": "7"}, {"c": "11"}]', np.nan]})

                                                    col_str
0  [{"a": "46", "b": "3", "c": "12"}, {"b": "2", "c": "7"}]
1                       [{"b": "2", "c": "7"}, {"c": "11"}]
2                                                       NaN

type(df.iloc[0, 0])
[out]: str
    
# fillna
df.col_str = df.col_str.fillna('[]')

# literal_eval
df.col_str = df.col_str.apply(literal_eval)

# explode
df = df.explode('col_str').reset_index(drop=True)

# fillna again
df.col_str = df.col_str.fillna({i: {} for i in df.index})

# use json_normalize
df = df.join(pd.json_normalize(df.col_str)).drop(columns=['col_str'])

# display(df)
     a    b    c
0   46    3   12
1  NaN    2    7
2  NaN    2    7
3  NaN  NaN   11
4  NaN  NaN  NaN