百度360必应搜狗淘宝本站头条
当前位置:网站首页 > 技术分类 > 正文

Python中json库的操作指南

ztj100 2025-01-12 20:23 24 浏览 0 评论

概念

  • json是一种通用的数据类型
  • 一般情况下接口返回的数据类型都是json
  • 长得像字典,形式也是k-v{ }
  • 其实json是字符串
  • 字符串不能用key、value来取值,所以要先转换为字典才可以

json操作

json转换成字典:

loads方法

  1. import json
  2. res = json.loads(s) # s是json类型的字符串
  3. print(res) # 打印字典
  4. print(type(res)) # 打印res类型
  5. print(res.keys()) # 打印字典的所有key

文件操作

  1. f = open('stus.json',encoding='utf-8')
  2. content = f.read() # 使用loads()方法需要先读文件
  3. user_dic = json.loads(cotent)
  4. print(user_dic)

load方法

  1. import json
  2. f = open('stus.json',encoding="utf-8")
  3. user_dic = json.load(f)
  4. print(user_dic)

区别:

loads() 传的是字符串,而load()传的是文件对象

使用loads()时需要先读取文件在使用,而load()则不用

字典转成json串

文件里只能写字符串,但是可以把字典转成json串,json串是字符串,可以写到文件里

drums方法

  1. stus = {'xiaojun':'123456','xiaohei':'7891','abc':'11111'}
  2. res2 = json.dumps(stus) # 先把字典转成json
  3. print(res2)
  4. print(type(res2))

文件操作

  1. with open('stus.txt','w',encoding='utf-8') as f: # 打开文件
  2. f.write(res2) # 在文件里写入转成的json串

dump()方法

  1. stus={'xiaojun':'123456','xiaohei':'7890','lrx':'111111'}
  2. file = open('stus2.json','w',encoding='utf-8')
  3. json.dump(stus,file,indent,ensure_ascii=False) # 直接写入文件中,ensure_ascii为False时内容输出显示正常的中文,而不是转码

参数:

  • indent:字符串转行 + 缩进
  • ensure_ascii:是否转为ASCII码

区别:

dump()不需要使用.write()方法,只需要写那个字典,那个文件即可;而.dumps()需要使用.write()方法写入.如果把字典写到文件里面的时候,dump()好用;但是如果不需要操作文件,或需要把内容存储到数据库何excel,则需要使用dumps()先把字典转换成字符串,再写入

总结

不管是dump还是load,带s的都是和字符串相关的,不带s的都是和文件相关的

相关推荐

其实TensorFlow真的很水无非就这30篇熬夜练

好的!以下是TensorFlow需要掌握的核心内容,用列表形式呈现,简洁清晰(含表情符号,<300字):1.基础概念与环境TensorFlow架构(计算图、会话->EagerE...

交叉验证和超参数调整:如何优化你的机器学习模型

准确预测Fitbit的睡眠得分在本文的前两部分中,我获取了Fitbit的睡眠数据并对其进行预处理,将这些数据分为训练集、验证集和测试集,除此之外,我还训练了三种不同的机器学习模型并比较了它们的性能。在...

机器学习交叉验证全指南:原理、类型与实战技巧

机器学习模型常常需要大量数据,但它们如何与实时新数据协同工作也同样关键。交叉验证是一种通过将数据集分成若干部分、在部分数据上训练模型、在其余数据上测试模型的方法,用来检验模型的表现。这有助于发现过拟合...

深度学习中的类别激活热图可视化

作者:ValentinaAlto编译:ronghuaiyang导读使用Keras实现图像分类中的激活热图的可视化,帮助更有针对性...

超强,必会的机器学习评估指标

大侠幸会,在下全网同名[算法金]0基础转AI上岸,多个算法赛Top[日更万日,让更多人享受智能乐趣]构建机器学习模型的关键步骤是检查其性能,这是通过使用验证指标来完成的。选择正确的验证指...

机器学习入门教程-第六课:监督学习与非监督学习

1.回顾与引入上节课我们谈到了机器学习的一些实战技巧,比如如何处理数据、选择模型以及调整参数。今天,我们将更深入地探讨机器学习的两大类:监督学习和非监督学习。2.监督学习监督学习就像是有老师的教学...

Python教程(三十八):机器学习基础

...

Python 模型部署不用愁!容器化实战,5 分钟搞定环境配置

你是不是也遇到过这种糟心事:花了好几天训练出的Python模型,在自己电脑上跑得顺顺当当,一放到服务器就各种报错。要么是Python版本不对,要么是依赖库冲突,折腾半天还是用不了。别再喊“我...

超全面讲透一个算法模型,高斯核!!

...

神经网络与传统统计方法的简单对比

传统的统计方法如...

AI 基础知识从0.1到0.2——用“房价预测”入门机器学习全流程

...

自回归滞后模型进行多变量时间序列预测

下图显示了关于不同类型葡萄酒销量的月度多元时间序列。每种葡萄酒类型都是时间序列中的一个变量。假设要预测其中一个变量。比如,sparklingwine。如何建立一个模型来进行预测呢?一种常见的方...

苹果AI策略:慢哲学——科技行业的“长期主义”试金石

苹果AI策略的深度原创分析,结合技术伦理、商业逻辑与行业博弈,揭示其“慢哲学”背后的战略智慧:一、反常之举:AI狂潮中的“逆行者”当科技巨头深陷AI军备竞赛,苹果的克制显得格格不入:功能延期:App...

时间序列预测全攻略,6大模型代码实操

如果你对数据分析感兴趣,希望学习更多的方法论,希望听听经验分享,欢迎移步宝藏公众号...

AI 基础知识从 0.4 到 0.5—— 计算机视觉之光 CNN

...

取消回复欢迎 发表评论: