Предположим, что у вас есть словарь:
{'a': 1,
'c': {'a': 2,
'b': {'x': 5,
'y' : 10}},
'd': [1, 2, 3]}
Как бы вы начали сглаживать это во что-то вроде:
{'a': 1,
'c_a': 2,
'c_b_x': 5,
'c_b_y': 10,
'd': [1, 2, 3]}
Сгладить вложенные словари, сжав ключи
Ответ 1
В принципе так же, как вы сглаживаете вложенный список, вам просто нужно выполнить дополнительную работу для итерации dict по ключу/значению, создания новых ключей для вашего нового словаря и создания словаря на последнем этапе.
import collections
def flatten(d, parent_key='', sep='_'):
items = []
for k, v in d.items():
new_key = parent_key + sep + k if parent_key else k
if isinstance(v, collections.MutableMapping):
items.extend(flatten(v, new_key, sep=sep).items())
else:
items.append((new_key, v))
return dict(items)
>>> flatten({'a': 1, 'c': {'a': 2, 'b': {'x': 5, 'y' : 10}}, 'd': [1, 2, 3]})
{'a': 1, 'c_a': 2, 'c_b_x': 5, 'd': [1, 2, 3], 'c_b_y': 10}
Ответ 2
Есть два больших соображения, которые должен учитывать исходный плакат:
- Есть ли проблемы с клеточным пространством? Например,
{'a_b':{'c':1}, 'a':{'b_c':2}}приведет к{'a_b_c':???}. Решение ниже устраняет проблему, возвращая итерабельность пар. - Если производительность является проблемой, функция key-reducer (которую я называю здесь "join" ) требует доступа ко всему ключевому пути или может просто выполнять O (1) на каждом node в дереве? Если вы хотите сказать
joinedKey = '_'.join(*keys), это будет стоить вам время O (N ^ 2). Однако, если вы хотите сказатьnextKey = previousKey+'_'+thisKey, это даст вам время O (N). Решение, приведенное ниже, позволяет вам выполнять оба действия (поскольку вы можете просто конкатенировать все ключи, а затем выполнять их постпроцесс).
(Производительность вряд ли будет проблемой, но я расскажу о втором вопросе в случае, если кто-то еще заботится: при реализации этого существует множество опасных вариантов. Если вы сделаете это рекурсивно, уступите и снова уступите или что-нибудь еще эквивалент, который касается узлов более одного раза (что довольно легко сделать случайно), вы делаете потенциально O (N ^ 2) работу, а не O (N). Это потому, что, возможно, вы вычисляете ключ a, затем a_1 then a_1_i..., а затем вычисляя a, затем a_1, затем a_1_ii..., но на самом деле вам не придется снова вычислять a_1. Даже если вы не пересчитываете его, повторное получение этого (подход "по уровню" ) столь же плох. Хорошим примером является представление о производительности на {1:{1:{1:{1:...(N times)...{1:SOME_LARGE_DICTIONARY_OF_SIZE_N}...}}}})
Ниже приведена функция, которую я написал flattenDict(d, join=..., lift=...), которая может быть адаптирована ко многим целям и может делать то, что вы хотите. К сожалению, довольно сложно сделать ленивую версию этой функции, не прибегая к вышеуказанным штрафам за производительность (многие встроенные python, такие как chain.from_iterable, фактически не эффективны, что я понял только после обширного тестирования трех разных версий этого кода, прежде чем опираться на этот).
from collections import Mapping
from itertools import chain
from operator import add
_FLAG_FIRST = object()
def flattenDict(d, join=add, lift=lambda x:x):
results = []
def visit(subdict, results, partialKey):
for k,v in subdict.items():
newKey = lift(k) if partialKey==_FLAG_FIRST else join(partialKey,lift(k))
if isinstance(v,Mapping):
visit(v, results, newKey)
else:
results.append((newKey,v))
visit(d, results, _FLAG_FIRST)
return results
Чтобы лучше понять, что происходит, ниже приведена диаграмма для тех, кто не знаком с reduce (слева), иначе известный как "fold left". Иногда он рисуется с начальным значением вместо k0 (не является частью списка, переданным в функцию). Здесь J является нашей функцией join. Предварительно обрабатываем каждый k n с помощью lift(k).
[k0,k1,...,kN].foldleft(J)
/ \
... kN
/
J(k0,J(k1,J(k2,k3)))
/ \
/ \
J(J(k0,k1),k2) k3
/ \
/ \
J(k0,k1) k2
/ \
/ \
k0 k1
Это фактически то же самое, что и functools.reduce, но где наша функция делает это ко всем ключевым путям дерева.
>>> reduce(lambda a,b:(a,b), range(5))
((((0, 1), 2), 3), 4)
Демонстрация (которая в противном случае была бы введена в docstring):
>>> testData = {
'a':1,
'b':2,
'c':{
'aa':11,
'bb':22,
'cc':{
'aaa':111
}
}
}
from pprint import pprint as pp
>>> pp(dict( flattenDict(testData, lift=lambda x:(x,)) ))
{('a',): 1,
('b',): 2,
('c', 'aa'): 11,
('c', 'bb'): 22,
('c', 'cc', 'aaa'): 111}
>>> pp(dict( flattenDict(testData, join=lambda a,b:a+'_'+b) ))
{'a': 1, 'b': 2, 'c_aa': 11, 'c_bb': 22, 'c_cc_aaa': 111}
>>> pp(dict( (v,k) for k,v in flattenDict(testData, lift=hash, join=lambda a,b:hash((a,b))) ))
{1: 12416037344,
2: 12544037731,
11: 5470935132935744593,
22: 4885734186131977315,
111: 3461911260025554326}
Производительность:
from functools import reduce
def makeEvilDict(n):
return reduce(lambda acc,x:{x:acc}, [{i:0 for i in range(n)}]+range(n))
import timeit
def time(runnable):
t0 = timeit.default_timer()
_ = runnable()
t1 = timeit.default_timer()
print('took {:.2f} seconds'.format(t1-t0))
>>> pp(makeEvilDict(8))
{7: {6: {5: {4: {3: {2: {1: {0: {0: 0,
1: 0,
2: 0,
3: 0,
4: 0,
5: 0,
6: 0,
7: 0}}}}}}}}}
import sys
sys.setrecursionlimit(1000000)
forget = lambda a,b:''
>>> time(lambda: dict(flattenDict(makeEvilDict(10000), join=forget)) )
took 0.10 seconds
>>> time(lambda: dict(flattenDict(makeEvilDict(100000), join=forget)) )
[1] 12569 segmentation fault python
... вздох, не думай, что это моя вина...
[несущественная историческая заметка из-за проблем модерации]
Что касается предполагаемого дубликата Сгладить словарь словарей (2 уровня в глубину) списков в Python:
Это решение вопроса может быть реализовано в терминах этого путем выполнения sorted( sum(flatten(...),[]) ). Обратное невозможно: хотя верно, что значения of flatten(...) могут быть восстановлены из предполагаемого дубликата путем сопоставления аккумулятора более высокого порядка, невозможно восстановить ключи. (edit: Также выясняется, что вопрос о предполагаемом дубликате владельца полностью отличается тем, что он имеет дело только со словарями ровно на 2 уровня, хотя один из ответов на этой странице дает общее решение.)
Ответ 3
Или, если вы уже используете панд, вы можете сделать это с помощью json_normalize() следующим образом:
import pandas as pd
d = {'a': 1,
'c': {'a': 2, 'b': {'x': 5, 'y' : 10}},
'd': [1, 2, 3]}
df = pd.io.json.json_normalize(d, sep='_')
print(df.to_dict(orient='records')[0])
Выход:
{'a': 1, 'c_a': 2, 'c_b_x': 5, 'c_b_y': 10, 'd': [1, 2, 3]}
Ответ 4
Вот своего рода "функциональная", "однострочная" реализация. Он рекурсивный и основан на условном выражении и понимании dict.
def flatten_dict(dd, separator='_', prefix=''):
return { prefix + separator + k if prefix else k : v
for kk, vv in dd.items()
for k, v in flatten_dict(vv, separator, kk).items()
} if isinstance(dd, dict) else { prefix : dd }
Тест:
In [2]: flatten_dict({'abc':123, 'hgf':{'gh':432, 'yu':433}, 'gfd':902, 'xzxzxz':{"432":{'0b0b0b':231}, "43234":1321}}, '.')
Out[2]:
{'abc': 123,
'gfd': 902,
'hgf.gh': 432,
'hgf.yu': 433,
'xzxzxz.432.0b0b0b': 231,
'xzxzxz.43234': 1321}
Ответ 5
Если вы используете pandas, в pandas.io.json._normalize 1 есть скрытая функция, которая называется nested_to_record, которая делает это точно.
from pandas.io.json._normalize import nested_to_record
flat = nested_to_record(my_dict, sep='_')
1 В версиях для панд 0.24.x и более старых версиях pandas.io.json.normalize (без _)
Ответ 6
код:
test = {'a': 1, 'c': {'a': 2, 'b': {'x': 5, 'y' : 10}}, 'd': [1, 2, 3]}
def parse_dict(init, lkey=''):
ret = {}
for rkey,val in init.items():
key = lkey+rkey
if isinstance(val, dict):
ret.update(parse_dict(val, key+'_'))
else:
ret[key] = val
return ret
print(parse_dict(test,''))
Результаты:
$ python test.py
{'a': 1, 'c_a': 2, 'c_b_x': 5, 'd': [1, 2, 3], 'c_b_y': 10}
Я использую python3.2, обновление для вашей версии python.
Ответ 7
Это не ограничивается словарями, но каждым типом отображения, который реализует .items(). Далее это быстрее, так как избегает условия if. Тем не менее кредиты идут в Имран:
def flatten(d, parent_key=''):
items = []
for k, v in d.items():
try:
items.extend(flatten(v, '%s%s_' % (parent_key, k)).items())
except AttributeError:
items.append(('%s%s' % (parent_key, k), v))
return dict(items)
Ответ 8
Как насчет функционального и производительного решения в Python3.5?
from functools import reduce
def _reducer(items, key, val, pref):
if isinstance(val, dict):
return {**items, **flatten(val, pref + key)}
else:
return {**items, pref + key: val}
def flatten(d, pref=''):
return(reduce(
lambda new_d, kv: _reducer(new_d, *kv, pref),
d.items(),
{}
))
Это еще более производительно:
def flatten(d, pref=''):
return(reduce(
lambda new_d, kv: \
isinstance(kv[1], dict) and \
{**new_d, **flatten(kv[1], pref + kv[0])} or \
{**new_d, pref + kv[0]: kv[1]},
d.items(),
{}
))
В использовании:
my_obj = {'a': 1, 'c': {'a': 2, 'b': {'x': 5, 'y': 10}}, 'd': [1, 2, 3]}
print(flatten(my_obj))
# {'d': [1, 2, 3], 'cby': 10, 'cbx': 5, 'ca': 2, 'a': 1}
Ответ 9
My Python 3.3 Solution с использованием генераторов:
def flattenit(pyobj, keystring=''):
if type(pyobj) is dict:
if (type(pyobj) is dict):
keystring = keystring + "_" if keystring else keystring
for k in pyobj:
yield from flattenit(pyobj[k], keystring + k)
elif (type(pyobj) is list):
for lelm in pyobj:
yield from flatten(lelm, keystring)
else:
yield keystring, pyobj
my_obj = {'a': 1, 'c': {'a': 2, 'b': {'x': 5, 'y': 10}}, 'd': [1, 2, 3]}
#your flattened dictionary object
flattened={k:v for k,v in flattenit(my_obj)}
print(flattened)
# result: {'c_b_y': 10, 'd': [1, 2, 3], 'c_a': 2, 'a': 1, 'c_b_x': 5}
Ответ 10
Простая функция для выравнивания вложенных словарей. Для Python 3 замените .iteritems() на .items()
def flatten_dict(init_dict):
res_dict = {}
if type(init_dict) is not dict:
return res_dict
for k, v in init_dict.iteritems():
if type(v) == dict:
res_dict.update(flatten_dict(v))
else:
res_dict[k] = v
return res_dict
Идея/требование было: получить плоские словари без сохранения родительских ключей.
Пример использования:
dd = {'a': 3,
'b': {'c': 4, 'd': 5},
'e': {'f':
{'g': 1, 'h': 2}
},
'i': 9,
}
flatten_dict(dd)
>> {'a': 3, 'c': 4, 'd': 5, 'g': 1, 'h': 2, 'i': 9}
Хранить родительские ключи также просто.
Ответ 11
Это похоже на оба ответа imran и ralu. Он не использует генератор, но вместо этого использует рекурсию с замыканием:
def flatten_dict(d, separator='_'):
final = {}
def _flatten_dict(obj, parent_keys=[]):
for k, v in obj.iteritems():
if isinstance(v, dict):
_flatten_dict(v, parent_keys + [k])
else:
key = separator.join(parent_keys + [k])
final[key] = v
_flatten_dict(d)
return final
>>> print flatten_dict({'a': 1, 'c': {'a': 2, 'b': {'x': 5, 'y' : 10}}, 'd': [1, 2, 3]})
{'a': 1, 'c_a': 2, 'c_b_x': 5, 'd': [1, 2, 3], 'c_b_y': 10}
Ответ 12
Решение Давуда очень приятно, но не дает удовлетворительных результатов, когда вложенный dict также содержит списки dicts, но его код может быть адаптирован для этого случая:
def flatten_dict(d):
items = []
for k, v in d.items():
try:
if (type(v)==type([])):
for l in v: items.extend(flatten_dict(l).items())
else:
items.extend(flatten_dict(v).items())
except AttributeError:
items.append((k, v))
return dict(items)
Ответ 13
Ответы выше работают очень хорошо. Просто подумал, что я добавлю незакрытую функцию, которую я написал:
def unflatten(d):
ud = {}
for k, v in d.items():
context = ud
for sub_key in k.split('_')[:-1]:
if sub_key not in context:
context[sub_key] = {}
context = context[sub_key]
context[k.split('_')[-1]] = v
return ud
Примечание. Это не учитывает "_", уже присутствующий в клавишах, подобно сглаживающим аналогам.
Ответ 14
Вот алгоритм для элегантной замены на месте. Протестировано с Python 2.7 и Python 3.5. Использование символа точки в качестве разделителя.
def flatten_json(json):
if type(json) == dict:
for k, v in list(json.items()):
if type(v) == dict:
flatten_json(v)
json.pop(k)
for k2, v2 in v.items():
json[k+"."+k2] = v2
Пример:
d = {'a': {'b': 'c'}}
flatten_json(d)
print(d)
unflatten_json(d)
print(d)
Вывод:
{'a.b': 'c'}
{'a': {'b': 'c'}}
Я опубликовал этот код здесь вместе с соответствующей функцией unflatten_json.
Ответ 15
Если вы хотите создать вложенный словарь и получить список всех уникальных ключей, то вот решение:
def flat_dict_return_unique_key(data, unique_keys=set()):
if isinstance(data, dict):
[unique_keys.add(i) for i in data.keys()]
for each_v in data.values():
if isinstance(each_v, dict):
flat_dict_return_unique_key(each_v, unique_keys)
return list(set(unique_keys))
Ответ 16
def flatten(unflattened_dict, separator='_'):
flattened_dict = {}
for k, v in unflattened_dict.items():
if isinstance(v, dict):
sub_flattened_dict = flatten(v, separator)
for k2, v2 in sub_flattened_dict.items():
flattened_dict[k + separator + k2] = v2
else:
flattened_dict[k] = v
return flattened_dict
Ответ 17
Использование генераторов:
def flat_dic_helper(prepand,d):
if len(prepand) > 0:
prepand = prepand + "_"
for k in d:
i=d[k]
if type(i).__name__=='dict':
r = flat_dic_helper(prepand+k,i)
for j in r:
yield j
else:
yield (prepand+k,i)
def flat_dic(d): return dict(flat_dic_helper("",d))
d={'a': 1, 'c': {'a': 2, 'b': {'x': 5, 'y' : 10}}, 'd': [1, 2, 3]}
print(flat_dic(d))
>> {'a': 1, 'c_a': 2, 'c_b_x': 5, 'd': [1, 2, 3], 'c_b_y': 10}
Ответ 18
Использование dict.popitem() в простой рекурсии типа вложенного списка:
def flatten(d):
if d == {}:
return d
else:
k,v = d.popitem()
if (dict != type(v)):
return {k:v, **flatten(d)}
else:
flat_kv = flatten(v)
for k1 in list(flat_kv.keys()):
flat_kv[k + '_' + k1] = flat_kv[k1]
del flat_kv[k1]
return {**flat_kv, **flatten(d)}
Ответ 19
Я попытался сгладить следующий json:
{
"blkio_stats": {
"io_merged_recursive": [],
"io_queue_recursive": [],
"io_service_bytes_recursive": [],
"io_service_time_recursive": [],
"io_serviced_recursive": [],
"io_time_recursive": [],
"io_wait_time_recursive": [],
"sectors_recursive": []
},
"cpu_stats": {
"cpu_usage": {
"percpu_usage": [56477793484, 53845065668],
"total_usage": 110322859152,
"usage_in_kernelmode": 74310000000,
"usage_in_usermode": 24760000000
},
"system_cpu_usage": 11583455420000000,
"throttling_data": {
"periods": 0,
"throttled_periods": 0,
"throttled_time": 0
}
},
"memory_stats": {
"failcnt": 0,
"limit": 4074237952,
"max_usage": 485281792,
"stats": {
"active_anon": 7823360,
"active_file": 8192,
"cache": 8192,
"dirty": 0,
"hierarchical_memory_limit": 9223372036854771712,
"inactive_anon": 0,
"inactive_file": 0,
"mapped_file": 0,
"pgfault": 5602509,
"pgmajfault": 0,
"pgpgin": 5421031,
"pgpgout": 5429850,
"rss": 7823360,
"rss_huge": 6291456,
"total_active_anon": 7823360,
"total_active_file": 8192,
"total_cache": 8192,
"total_dirty": 0,
"total_inactive_anon": 0,
"total_inactive_file": 0,
"total_mapped_file": 0,
"total_pgfault": 5602509,
"total_pgmajfault": 0,
"total_pgpgin": 5421031,
"total_pgpgout": 5429850,
"total_rss": 7823360,
"total_rss_huge": 6291456,
"total_unevictable": 0,
"total_writeback": 0,
"unevictable": 0,
"writeback": 0
},
"usage": 7831552
},
"networks": {
"eth0": {
"rx_bytes": 1512143070,
"rx_dropped": 0,
"rx_errors": 0,
"rx_packets": 2605267,
"tx_bytes": 1450105558,
"tx_dropped": 0,
"tx_errors": 0,
"tx_packets": 2326940
}
},
"pids_stats": {},
"precpu_stats": {
"cpu_usage": {
"percpu_usage": null,
"total_usage": 0,
"usage_in_kernelmode": 0,
"usage_in_usermode": 0
},
"system_cpu_usage": 0,
"throttling_data": {
"periods": 0,
"throttled_periods": 0,
"throttled_time": 0
}
},
"read": "2017-02-17T10:22:07.278903338Z"
}
Лучший вариант сгладить этот файл с помощью. поскольку разделительный знак был следующим: fooobar.com/questions/63934/... Он оставил только "pids_stats": {}, option:
{
"blkio_stats.io_merged_recursive": [],
"blkio_stats.io_queue_recursive": [],
"blkio_stats.io_service_bytes_recursive": [],
"blkio_stats.io_service_time_recursive": [],
"blkio_stats.io_serviced_recursive": [],
"blkio_stats.io_time_recursive": [],
"blkio_stats.io_wait_time_recursive": [],
"blkio_stats.sectors_recursive": [],
"cpu_stats.cpu_usage.percpu_usage": [56477793484, 53845065668],
"cpu_stats.cpu_usage.total_usage": 110322859152,
"cpu_stats.cpu_usage.usage_in_kernelmode": 74310000000,
"cpu_stats.cpu_usage.usage_in_usermode": 24760000000,
"cpu_stats.system_cpu_usage": 11583455420000000,
"cpu_stats.throttling_data.periods": 0,
"cpu_stats.throttling_data.throttled_periods": 0,
"cpu_stats.throttling_data.throttled_time": 0,
"memory_stats.failcnt": 0,
"memory_stats.limit": 4074237952,
"memory_stats.max_usage": 485281792,
"memory_stats.stats.active_anon": 7823360,
"memory_stats.stats.active_file": 8192,
"memory_stats.stats.cache": 8192,
"memory_stats.stats.dirty": 0,
"memory_stats.stats.hierarchical_memory_limit": 9223372036854771712,
"memory_stats.stats.inactive_anon": 0,
"memory_stats.stats.inactive_file": 0,
"memory_stats.stats.mapped_file": 0,
"memory_stats.stats.pgfault": 5602509,
"memory_stats.stats.pgmajfault": 0,
"memory_stats.stats.pgpgin": 5421031,
"memory_stats.stats.pgpgout": 5429850,
"memory_stats.stats.rss": 7823360,
"memory_stats.stats.rss_huge": 6291456,
"memory_stats.stats.total_active_anon": 7823360,
"memory_stats.stats.total_active_file": 8192,
"memory_stats.stats.total_cache": 8192,
"memory_stats.stats.total_dirty": 0,
"memory_stats.stats.total_inactive_anon": 0,
"memory_stats.stats.total_inactive_file": 0,
"memory_stats.stats.total_mapped_file": 0,
"memory_stats.stats.total_pgfault": 5602509,
"memory_stats.stats.total_pgmajfault": 0,
"memory_stats.stats.total_pgpgin": 5421031,
"memory_stats.stats.total_pgpgout": 5429850,
"memory_stats.stats.total_rss": 7823360,
"memory_stats.stats.total_rss_huge": 6291456,
"memory_stats.stats.total_unevictable": 0,
"memory_stats.stats.total_writeback": 0,
"memory_stats.stats.unevictable": 0,
"memory_stats.stats.writeback": 0,
"memory_stats.usage": 7831552,
"networks.eth0.rx_bytes": 1512143070,
"networks.eth0.rx_dropped": 0,
"networks.eth0.rx_errors": 0,
"networks.eth0.rx_packets": 2605267,
"networks.eth0.tx_bytes": 1450105558,
"networks.eth0.tx_dropped": 0,
"networks.eth0.tx_errors": 0,
"networks.eth0.tx_packets": 2326940,
"precpu_stats.cpu_usage.percpu_usage": null,
"precpu_stats.cpu_usage.total_usage": 0,
"precpu_stats.cpu_usage.usage_in_kernelmode": 0,
"precpu_stats.cpu_usage.usage_in_usermode": 0,
"precpu_stats.system_cpu_usage": 0,
"precpu_stats.throttling_data.periods": 0,
"precpu_stats.throttling_data.throttled_periods": 0,
"precpu_stats.throttling_data.throttled_time": 0,
"read": "2017-02-17T10:22:07.278903338Z"
}
С точки зрения unflattening файла, с. как вариант, я выбираю Сгладить вложенные словари Python, сжимая ключи - потому что он работал рекурсивно и отлично. Обратите внимание, что "pids_stats": {} отсутствует, поскольку он был потерян на предыдущем шаге.
{
"blkio_stats": {
"io_merged_recursive": [],
"io_queue_recursive": [],
"io_service_bytes_recursive": [],
"io_service_time_recursive": [],
"io_serviced_recursive": [],
"io_time_recursive": [],
"io_wait_time_recursive": [],
"sectors_recursive": []
},
"cpu_stats": {
"cpu_usage": {
"percpu_usage": [56477793484, 53845065668],
"total_usage": 110322859152,
"usage_in_kernelmode": 74310000000,
"usage_in_usermode": 24760000000
},
"system_cpu_usage": 11583455420000000,
"throttling_data": {
"periods": 0,
"throttled_periods": 0,
"throttled_time": 0
}
},
"memory_stats": {
"failcnt": 0,
"limit": 4074237952,
"max_usage": 485281792,
"stats": {
"active_anon": 7823360,
"active_file": 8192,
"cache": 8192,
"dirty": 0,
"hierarchical_memory_limit": 9223372036854771712,
"inactive_anon": 0,
"inactive_file": 0,
"mapped_file": 0,
"pgfault": 5602509,
"pgmajfault": 0,
"pgpgin": 5421031,
"pgpgout": 5429850,
"rss": 7823360,
"rss_huge": 6291456,
"total_active_anon": 7823360,
"total_active_file": 8192,
"total_cache": 8192,
"total_dirty": 0,
"total_inactive_anon": 0,
"total_inactive_file": 0,
"total_mapped_file": 0,
"total_pgfault": 5602509,
"total_pgmajfault": 0,
"total_pgpgin": 5421031,
"total_pgpgout": 5429850,
"total_rss": 7823360,
"total_rss_huge": 6291456,
"total_unevictable": 0,
"total_writeback": 0,
"unevictable": 0,
"writeback": 0
},
"usage": 7831552
},
"networks": {
"eth0": {
"rx_bytes": 1512143070,
"rx_dropped": 0,
"rx_errors": 0,
"rx_packets": 2605267,
"tx_bytes": 1450105558,
"tx_dropped": 0,
"tx_errors": 0,
"tx_packets": 2326940
}
},
"precpu_stats": {
"cpu_usage": {
"percpu_usage": null,
"total_usage": 0,
"usage_in_kernelmode": 0,
"usage_in_usermode": 0
},
"system_cpu_usage": 0,
"throttling_data": {
"periods": 0,
"throttled_periods": 0,
"throttled_time": 0
}
},
"read": "2017-02-17T10:22:07.278903338Z"
}
Ответ 20
Я всегда предпочитаю доступ к объектам dict через .items(), поэтому для сглаживания диктов я использую следующий рекурсивный генератор flat_items(d). Если вы хотите снова использовать dict, просто оберните его так: flat = dict(flat_items(d))
def flat_items(d, key_separator='.'):
"""
Flattens the dictionary containing other dictionaries like here: https://stackoverflow.com/questions/6027558/flatten-nested-python-dictionaries-compressing-keys
>>> example = {'a': 1, 'c': {'a': 2, 'b': {'x': 5, 'y' : 10}}, 'd': [1, 2, 3]}
>>> flat = dict(flat_items(example, key_separator='_'))
>>> assert flat['c_b_y'] == 10
"""
for k, v in d.items():
if type(v) is dict:
for k1, v1 in flat_items(v, key_separator=key_separator):
yield key_separator.join((k, k1)), v1
else:
yield k, v
Ответ 21
Я на самом деле недавно написал пакет под названием cherrypicker, чтобы разобраться с такими вещами, поскольку мне приходилось делать это так часто!
Я думаю, что следующий код даст вам именно то, что вы ищете:
from cherrypicker import CherryPicker
dct = {
'a': 1,
'c': {
'a': 2,
'b': {
'x': 5,
'y' : 10
}
},
'd': [1, 2, 3]
}
picker = CherryPicker(dct)
picker.flatten().get()
Вы можете установить пакет с помощью:
pip install cherrypicker
... а также другие документы и рекомендации на https://cherrypicker.readthedocs.io.
Другие методы могут быть быстрее, но приоритет этого пакета - сделать такие задачи быстрыми и легкими. Если у вас есть большой список объектов, которые нужно сгладить, вы также можете указать CherryPicker использовать параллельную обработку для ускорения процесса.
Ответ 22
Просто используйте python-benedict, это подкласс dict, который предлагает множество функций, включая метод flatten. Можно установить его с помощью pip: pip install python-benedict
https://github.com/fabiocaccamo/python-benedict#flatten
from benedict import benedict
d = benedict(data)
f = d.flatten(separator='_')