ఉదాహరణ # 01
'పాండాలు' డేటాఫ్రేమ్‌ను JSON ఆకృతికి మార్చడం కోసం 'పాండాలు' యొక్క 'to_json()' పద్ధతిని ఎలా ఉపయోగించాలో మేము ఆచరణలో ప్రదర్శిస్తాము. “పాండాలు” ప్యాకేజీ ఇక్కడ దిగుమతి చేయబడింది, ఇది “నంపీ” మరియు మేము దానిని “np”గా దిగుమతి చేస్తాము. ఇప్పుడు, 'పాండాలు' కోడ్‌ని అమలు చేయడానికి, పాండా ప్యాకేజీలను దిగుమతి చేయాలి. ఆ ప్యాకేజీని దిగుమతి చేయడానికి, మేము 'దిగుమతి' కీవర్డ్‌ని ఉపయోగిస్తాము. అప్పుడు, మేము 'pd' గా సెట్ చేస్తాము, అంటే 'pd'ని ఉంచడం ద్వారా మనకు అవసరమైన ఏదైనా 'pandas ప్యాకేజీ'ని సులభంగా యాక్సెస్ చేయవచ్చు లేదా ఉపయోగించుకోవచ్చు.
“npని ఉపయోగించడం ద్వారా మేము ఇక్కడ నంపీ శ్రేణిని సృష్టిస్తాము. అర్రే”, ఈ “np” నంపీ లైబ్రరీ ఫంక్షన్‌లను యాక్సెస్ చేయడంలో మాకు సహాయపడుతుంది. ఈ నంపీ శ్రేణి “New_data” వేరియబుల్‌లో కూడా నిల్వ చేయబడుతుంది మరియు మేము ఈ నంపీ శ్రేణికి “A, B, C, D” మరియు “E, F, G, H”లను ఉంచుతాము. ఈ నంపీ శ్రేణి ఇప్పుడు “pd.DataFrame” పద్ధతిని ఉపయోగించడం ద్వారా డేటాఫ్రేమ్‌కి మార్చబడింది. ఇది 'pd'ని ఉంచడం ద్వారా మనం ఇక్కడ యాక్సెస్ చేసే 'pandas' పద్ధతి. మేము ఈ నంపీ శ్రేణిని డేటాఫ్రేమ్‌గా మార్చినప్పుడు, మేము నిలువు వరుస పేర్లను కూడా ఉంచుతాము.
మేము ఇక్కడ కాలమ్ హెడర్‌లుగా జోడించే పేర్లు “col1, col2, col3 మరియు col4”. అప్పుడు మేము క్రింద 'ప్రింట్' కలిగి ఉన్నామని మీరు చూస్తాము, దీనిలో మేము డేటాఫ్రేమ్ పేరును సెట్ చేసాము, ఈ సందర్భంలో 'New_dataFrame', కాబట్టి ఇది ఈ కోడ్ అమలులో రెండర్ చేయబడుతుంది. ఇప్పుడు, మేము “to_json()” పద్ధతిని ఉపయోగించడం ద్వారా ఈ డేటాఫ్రేమ్‌ని JSON ఫార్మాట్‌లోకి మారుస్తున్నాము. మేము డేటాఫ్రేమ్ “New_dataFrame” పేరును “to_json()” పద్ధతితో సెట్ చేసాము మరియు ఈ పద్ధతిని “New_json” వేరియబుల్‌లో కూడా ఉంచాము. ఇక్కడ, మేము ఈ “to_json()” పద్ధతికి ఏ పరామితిని పాస్ చేయలేదు. డేటాఫ్రేమ్ యొక్క JSON ఫార్మాట్ ఇప్పుడు “ప్రింట్”లో ఉంచబడింది మరియు ఇది కన్సోల్‌లో కూడా రెండర్ అవుతుంది.
ఈ కోడ్ యొక్క సంకలనం మరియు అమలు కోసం, మేము 'Shift+Enter' నొక్కండి మరియు కోడ్ లోపం లేనిది అయితే, అవుట్పుట్ రెండర్ అవుతుంది. మేము ఈ ఉదాహరణలో సృష్టించిన డేటాఫ్రేమ్‌ను మరియు ఆ డేటాఫ్రేమ్ యొక్క JSON ఆకృతిని చూపిన ఈ కోడ్ యొక్క ఫలితాన్ని కూడా ఇక్కడ అతికించాము.
ఉదాహరణ # 02
ఇక్కడ, మేము ఒక లైబ్రరీని మాత్రమే దిగుమతి చేస్తాము, అది “పాండాలు” ఆపై “AtoZ_Courses” జాబితా సృష్టించబడుతుంది మరియు మేము దానిలో “పైథాన్, 29000, 35 రోజులు మరియు 1000.0” అనే కొన్ని జాబితాలను ఉంచాము, ఆపై మేము “” ఉంచుతాము. జావాస్క్రిప్ట్, 27000, 55 రోజులు మరియు 2300.0”, ఆ తర్వాత, మేము “HTMLCSS, 25000, 25 రోజులు మరియు 1500.0”ని జోడిస్తాము. ఇప్పుడు, మేము “డేటాబేస్, 24000, 45 రోజులు మరియు 1500.0” మరియు “OOP, 21000, 35 రోజులు, 1500.0” వంటి మరో రెండు డేటాను కూడా చేర్చాము. “AtoZ_Courses” జాబితా ఇప్పుడు డేటాఫ్రేమ్‌లో మార్చబడింది మరియు మేము దానికి “AtoZ_Courses_df” అని పేరు పెట్టాము. 'Courses_Name, Payment, Duration, and Bonus' ఇక్కడ డేటాఫ్రేమ్ యొక్క కాలమ్ పేర్లుగా జోడించబడ్డాయి.
ఇప్పుడు, డేటాఫ్రేమ్ ఈ దశలో రూపొందించబడింది మరియు దానిని టెర్మినల్‌లో ప్రదర్శించడానికి మేము దానిని “ప్రింట్()” స్టేట్‌మెంట్‌లో జోడిస్తాము. ఇప్పుడు, “to_json()” పద్ధతిని ఉపయోగించి, మేము “AtoZ_Courses_df” DataFrameని JSON ఫార్మాట్‌లోకి మారుస్తున్నాము. ఈ “to_json()” పద్ధతికి “orient= column” అనే పరామితి కూడా ఇవ్వబడింది, ఇది కూడా డిఫాల్ట్ పరామితి. ఇది డేటాఫ్రేమ్‌ను “{నిలువు పేరు -> {సూచిక విలువ -> నిలువు వరుస విలువ}} ఫార్మాట్‌గా డిక్ట్‌గా ప్రదర్శిస్తుంది.
ఇక్కడ, JSON ఆకృతిలో, ఇది కాలమ్ పేరును ప్రదర్శిస్తుంది మరియు ఆ కాలమ్ యొక్క అన్ని విలువలను సూచిక విలువతో పాటుగా ఉంచుతుంది. మొదట, ఇది మొదటి నిలువు వరుస పేరును ప్రస్తావిస్తుంది, ఆపై మొదటి నిలువు వరుస యొక్క అన్ని విలువలు ఇండెక్స్ విలువలతో పాటు అందించబడతాయి, ఆపై అది రెండవ నిలువు వరుస పేరును మరియు రెండవ నిలువు వరుస యొక్క అన్ని విలువలను ఇండెక్స్‌లతో ఉంచుతుంది మరియు మొదలైనవి.
ఉదాహరణ # 03
డేటాఫ్రేమ్ 'Bachelors_df' పేరుతో ఈ కోడ్‌లో రూపొందించబడింది. మేము ఈ “Bachelors_df”కి ఐదు నిలువు వరుసలను చేర్చాము. మేము ఇక్కడ కలిగి ఉన్న మొదటి నిలువు వరుస 'విద్యార్థి' నిలువు వరుస, మరియు మేము దానిలో 'లిల్లీ, స్మిత్, బ్రోమ్లీ, మిల్లీ మరియు అలెగ్జాండర్'ని చొప్పించాము. తర్వాత వచ్చే కాలమ్ “డిగ్రీ” కాలమ్, ఇందులో “IT, BBA, ఇంగ్లీష్, CS మరియు DVM” ఉంటాయి. “2015, 2018, 2017, 2015 మరియు 2014” అనే విద్యార్థుల చేరిన సంవత్సరాలను మేము జోడిస్తే “ఇయర్_ఆఫ్_జోయినింగ్” ముందుకు వస్తుంది.
ఈ నిలువు వరుస ప్రక్కన ఉన్న నిలువు వరుస “year_of_graduation”, ఇందులో ఆ విద్యార్థుల గ్రాడ్యుయేషన్ సంవత్సరాలు “2019, 2022, 2021, 2019 మరియు 2018” ఉన్నాయి. మేము ఇక్కడ “CGPA” కాలమ్‌ని కూడా జోడిస్తాము, దీనిలో మేము “3.3, 3.5, 3.6, 3.7 మరియు 3.8” విద్యార్థుల CGPAలను ఉంచుతాము. టెర్మినల్‌లో “Bachelors_df”ని ప్రదర్శించడానికి, మేము దానిని “print()” వ్యక్తీకరణలో చేర్చుతాము. ఇప్పుడు, మేము “to_json()” పద్ధతిని ఉపయోగించి ” Bachelors_df ” DataFrameని JSON ఫార్మాట్‌లోకి మారుస్తున్నాము.
“orient= records” పరామితి కూడా ఈ కోడ్‌లోని ఈ “to_json()” పద్ధతికి పంపబడుతుంది. ఈ “orient= records” JSON ఆకృతిని “[{నిలువు వరుస పేరు -> నిలువు వరుస విలువ}, … , {నిలువు వరుస పేరు -> నిలువు వరుస విలువ}]” ఫారమ్‌గా ప్రదర్శిస్తుంది. DataFrame యొక్క JSON ఫార్మాట్ ఇప్పుడు 'ప్రింట్'కి సెట్ చేయబడింది మరియు ఇది టెర్మినల్‌లో కూడా ప్రదర్శించబడుతుంది.
డేటాఫ్రేమ్ ఇక్కడ నిలువు వరుసలు మరియు అడ్డు వరుసల రూపంలో చూపబడింది, కానీ JSON ఆకృతిలో, అది నిలువు వరుస పేరును ఉంచి, ఆ నిలువు వరుస విలువను ప్రదర్శించడాన్ని మీరు గమనించవచ్చు; ఒక నిలువు వరుస యొక్క విలువను ప్రదర్శించిన తర్వాత, అది రెండవ నిలువు వరుస పేరును ప్రింట్ చేస్తుంది మరియు ఆ నిలువు వరుస యొక్క విలువను ఉంచుతుంది, ఎందుకంటే మేము “to_josn” పద్ధతి యొక్క పరామితిని “orient= records”గా సెట్ చేస్తాము.
ఉదాహరణ # 04
మేము “2, 4” మరియు “6, 8”ని చొప్పించే “My_data” నంపీ శ్రేణిని సృష్టిస్తాము. ఆపై నంపీ శ్రేణిని డేటాఫ్రేమ్ “My_dataFrame”కి మార్చండి మరియు దాని నిలువు వరుస పేర్లను “A1 మరియు A2”గా సెట్ చేయండి. ఇప్పుడు, “ప్రింట్” ఉపయోగించి ఇక్కడ డేటాఫ్రేమ్‌ని ప్రదర్శించిన తర్వాత. మేము ముందుగా “to_json()” పద్ధతిని ఎలాంటి పారామీటర్‌లు లేకుండా ఉపయోగిస్తాము మరియు దానిని ప్రదర్శిస్తాము. దీని తర్వాత, మేము “to_json()” పద్ధతుల పరామితిని “orient=split”కి సెట్ చేస్తాము మరియు ఈ ఆకృతిని కూడా ప్రింట్ చేస్తాము. అప్పుడు మేము 'My_dataFrame'కి మళ్లీ 'to_josn()'ని వర్తింపజేస్తాము మరియు ఈసారి, ఈ ఫంక్షన్ యొక్క పరామితిగా 'orient=records'ని పాస్ చేస్తాము.
దీని క్రింద, మేము “My_dataFrame”తో “orient= ఇండెక్స్”ని ఉంచాము మరియు ఈ JSON ఆకృతిని రెండర్ చేస్తాము. ఈ పరామితి తర్వాత, మేము మళ్లీ “to_json”ని “ఓరియంట్ = కాలమ్” పరామితితో ఉపయోగిస్తాము మరియు దానిని కూడా రెండర్ చేస్తాము. అప్పుడు మనం “orient= values”ని “to_json()” పద్ధతి యొక్క పారామీటర్‌గా పాస్ చేసి, దానిని “My_dataFrame”కి వర్తింపజేస్తాము. మేము ఈ ఫంక్షన్ యొక్క పరామితిని కూడా “orient= table”కి సెట్ చేసాము మరియు దానిని మళ్లీ అదే DataFrameతో ఉపయోగిస్తాము మరియు ఈ JSON ఆకృతిని కూడా ప్రదర్శిస్తాము. ఇప్పుడు, ఈ కోడ్ అవుట్‌పుట్‌లో JSON ఫార్మాట్‌ల మధ్య వ్యత్యాసాన్ని మేము గమనిస్తాము.
ఇక్కడ, మీరు JSON ఫార్మాట్‌ల మధ్య వ్యత్యాసాన్ని సులభంగా కనుగొనవచ్చు, మేము అదే డేటాఫ్రేమ్‌కి వర్తింపజేస్తాము. “to_json” పద్ధతిలో మనం ఆమోదించిన అన్ని పారామీటర్‌లు ఇక్కడ విభిన్న ఫార్మాట్‌లలో కనిపిస్తాయి.
ముగింపు
ఈ గైడ్ JSON ఆకృతిని చూపుతుంది మరియు ఈ JSON ఆకృతిని వివరంగా మరియు పాండాస్ డేటాఫ్రేమ్‌ను JSONగా ఎలా మార్చాలో వివరించింది. పాండాస్ డేటాఫ్రేమ్‌ని JSON ఫార్మాట్‌కి మార్చడానికి “to_json()” పద్ధతి ఉపయోగించబడుతుందని మేము వివరించాము. మేము ఇక్కడ “to_json()” పద్ధతికి పంపిన విభిన్న పారామితులను కూడా చర్చించాము. మేము మా “పాండాస్” కోడ్‌లో ఈ “to_json()” పద్ధతికి సాధ్యమయ్యే అన్ని పారామితులను ఉంచడం ద్వారా “to_json()” పద్ధతులను ఉపయోగించిన పూర్తి గైడ్‌ను అందించాము మరియు ఈ పారామితులు ఆకృతిని ఎలా మారుస్తాయో అవుట్‌పుట్‌లో కూడా వాటిని చూపాము. JSON యొక్క.