python_将包含汉字的字典数据写入json(将datav的全省数据中的贵州区域数据取出来)

简介: python_将包含汉字的字典数据写入json(将datav的全省数据中的贵州区域数据取出来)

前言

大家好,我是yma16,本文分享python_将包含汉字的字典数据写入json(将datav的全省数据中的贵州区域数据取出来)

学习json库——写入json文件中

Python中的JSON库是一个内置的标准库,可以用于解析和编码JSON数据。下面是JSON库的使用方法:

解码JSON

首先,我们将一个JSON字符串转换成Python对象

import json
# 定义一个JSON字符串
json_str = '{"name": "John", "age": 30, "city": "New York"}'
# 使用 json.loads() 函数将 JSON 字符串转换为 Python 对象
data = json.loads(json_str)
# 输出 Python 对象
print(data)  # {'name': 'John', 'age': 30, 'city': 'New York'}

编码JSON

接下来,我们将Python对象转换成JSON字符串。

import json
# 定义一个Python字典
data = {"name": "John", "age": 30, "city": "New York"}
# 使用 json.dumps() 函数将 Python 对象转换为 JSON 字符串
json_str = json.dumps(data)
# 输出 JSON 字符串
print(json_str)  # {"name": "John", "age": 30, "city": "New York"}

读取JSON文件

读取JSON文件非常简单。我们只需要使用 json.load() 函数即可。

import json
# 打开一个JSON文件
with open('data.json', 'r') as f:
    # 使用 json.load() 函数读取 JSON 数据并转换为 Python 对象
    data = json.load(f)
# 输出 Python 对象
print(data)

写入JSON文件

写入JSON文件也很简单。我们只需要使用 json.dump() 函数即可。

import json
# 定义一个 Python 字典
data = {"name": "John", "age": 30, "city": "New York"}
# 打开一个文件并将 Python 对象写入文件中
with open('data.json', 'w') as f:
    # 使用 json.dump() 函数将 Python 对象转换为 JSON 字符串并写入文件
    json.dump(data, f)
# 读取 JSON 文件并转换为 Python 对象
with open('data.json', 'r') as f:
    data = json.load(f)
# 输出 Python 对象
print(data)

dumps函数

json.dumps函数查看用法

import json
help(json)

发现可以把数组及字符等数据变为字符,查看处理json的indent参数

indent参数

可以添加缩进

ensure_ascii参数

调整ensure_ascii=false就可正常显示汉字

关闭转化为ASCII码字符

练习将贵州区域数据取出来

datav的地图选择器

只需要贵州省的svg

import json
with open("china.json", 'r',encoding='utf-8') as f:
    result = json.load(f)
    temp=result['features']
    print(len(temp))
    loc=0
    result={
    "type": "FeatureCollection",
    "features":[]
    }
    for i in temp:
        loc+=1
        province=i['properties']
        name=str(province['name'])
        if name in ['贵州省']:
            print(name)
            result["features"].append(i)
    print(len(result),result)
    json_str = json.dumps(result, indent=4,ensure_ascii=False)
    # ensure_ascii=False 取消转换ascii码
    with open('guizhou_gis.json', 'a+',encoding='UTF-8') as json_file:
         json_file.write(json_str)

提取成功!

ps拉框助手验证json地图格式

使用ps拉框助手验证是否提取出贵州省区域,验证正确

结束

本文分享到这结束,如有错误或者不足之处欢迎指出,感谢大家的阅读!

相关实践学习
基于Hologres轻松玩转一站式实时仓库
本场景介绍如何利用阿里云MaxCompute、实时计算Flink和交互式分析服务Hologres开发离线、实时数据融合分析的数据大屏应用。
阿里云实时数仓实战 - 项目介绍及架构设计
课程简介 1)学习搭建一个数据仓库的过程,理解数据在整个数仓架构的从采集、存储、计算、输出、展示的整个业务流程。 2)整个数仓体系完全搭建在阿里云架构上,理解并学会运用各个服务组件,了解各个组件之间如何配合联动。 3 )前置知识要求   课程大纲 第一章 了解数据仓库概念 初步了解数据仓库是干什么的 第二章 按照企业开发的标准去搭建一个数据仓库 数据仓库的需求是什么 架构 怎么选型怎么购买服务器 第三章 数据生成模块 用户形成数据的一个准备 按照企业的标准,准备了十一张用户行为表 方便使用 第四章 采集模块的搭建 购买阿里云服务器 安装 JDK 安装 Flume 第五章 用户行为数据仓库 严格按照企业的标准开发 第六章 搭建业务数仓理论基础和对表的分类同步 第七章 业务数仓的搭建  业务行为数仓效果图  
目录
相关文章
|
2天前
|
JSON JavaScript Java
从前端Vue到后端Spring Boot:接收JSON数据的正确姿势
从前端Vue到后端Spring Boot:接收JSON数据的正确姿势
9 0
|
4天前
|
机器学习/深度学习 存储 数据采集
【Python 机器学习专栏】PCA(主成分分析)在数据降维中的应用
【4月更文挑战第30天】本文探讨了主成分分析(PCA)在高维数据降维中的应用。PCA通过线性变换找到最大化方差的主成分,从而降低数据维度,简化存储和计算,同时去除噪声。文章介绍了PCA的基本原理、步骤,强调了PCA在数据降维、可视化和特征提取上的优势,并提供了Python实现示例。PCA广泛应用在图像压缩、机器学习和数据分析等领域,但降维后可能损失解释性,需注意选择合适主成分数量及数据预处理。
|
4天前
|
vr&ar Python
Python自激励阈值自回归(SETAR)、ARMA、BDS检验、预测分析太阳黑子时间序列数据
Python自激励阈值自回归(SETAR)、ARMA、BDS检验、预测分析太阳黑子时间序列数据
11 0
|
4天前
|
Python
Python随机波动性SV模型:贝叶斯推断马尔可夫链蒙特卡洛MCMC分析英镑/美元汇率时间序列数据|数据分享
Python随机波动性SV模型:贝叶斯推断马尔可夫链蒙特卡洛MCMC分析英镑/美元汇率时间序列数据|数据分享
10 0
|
4天前
|
机器学习/深度学习 Python
【Python机器学习专栏】时间序列数据的特征工程
【4月更文挑战第30天】本文探讨了时间序列数据的特征工程,强调其在捕捉季节性、揭示趋势、处理异常值和提升模型性能中的重要性。介绍了滞后特征、移动窗口统计特征、时间戳特征、频域特征和波动率特征等方法,并提供了Python实现示例。通过有效特征工程,可提高时间序列分析的准确性和预测可靠性。
|
4天前
|
机器学习/深度学习 计算机视觉 Python
【Python 机器学习专栏】图像数据的特征提取与预处理
【4月更文挑战第30天】本文探讨了图像数据的特征提取与预处理在机器学习中的重要性。图像数据具有大容量、信息丰富和冗余性高的特点。特征提取涉及颜色、纹理和形状特征;预处理包括图像增强、去噪和分割。Python的OpenCV和Scikit-image库在处理这些任务时非常有用。常见的特征提取方法有统计、变换和基于模型的方法,而预处理应注意保持图像真实性、适应性调整及验证评估。有效的特征提取和预处理能提升模型性能,Python工具使其更高效。
|
4天前
|
机器学习/深度学习 自然语言处理 算法
【Python机器学习专栏】文本数据的特征提取与表示
【4月更文挑战第30天】本文探讨了文本特征提取与表示在机器学习和NLP中的重要性。介绍了词袋模型、TF-IDF和n-gram等特征提取方法,以及稀疏向量和词嵌入等表示方式。Python中可利用sklearn和gensim库实现这些技术。有效的特征提取与表示有助于将文本数据转化为可处理的数值形式,推动NLP和机器学习领域的进步。
|
4天前
|
机器学习/深度学习 数据采集 算法
【Python机器学习专栏】使用Scikit-learn进行数据编码
【4月更文挑战第30天】本文介绍了Python Scikit-learn库在机器学习数据预处理中的作用,尤其是数据编码。数据编码将原始数据转化为算法可理解的格式,包括标签编码(适用于有序分类变量)、独热编码(适用于无序分类变量)和文本编码(如词袋模型、TF-IDF)。Scikit-learn提供LabelEncoder和OneHotEncoder类实现这些编码。示例展示了如何对数据进行标签编码和独热编码,强调了正确选择编码方法的重要性。
|
4天前
|
机器学习/深度学习 数据采集 算法
【Python机器学习专栏】数据标准化与归一化技术
【4月更文挑战第30天】在机器学习中,数据预处理的两大关键步骤是标准化和归一化,旨在调整数据范围以优化算法性能。标准化将数据缩放到特定区间,如[-1, 1]或[0, 1],适合基于距离的算法,如KNN、SVM。归一化则将数据线性变换到[0, 1],保持相对关系。Python中可使用`sklearn.preprocessing`的`MinMaxScaler`和`StandardScaler`实现这两种操作。选择哪种方法取决于数据分布和算法需求。预处理能提升模型理解和性能,增强预测准确性和可靠性。
|
4天前
|
自然语言处理 数据可视化 数据挖掘
数据代码分享|Python对全球Covid-19疫情失业数据相关性、可视化分析
数据代码分享|Python对全球Covid-19疫情失业数据相关性、可视化分析
10 0