如何将IPTC媒体主题JSON转换为字段化Pandas DataFrame

问题背景 #

需要将IPTC媒体主题数据转换为结构化Pandas DataFrame，核心需求是提取Q-code（如medtop:01000000）及对应的Name(en-GB)（如arts, culture, entertainment and media）。当前通过pd.read_json()加载处理后的JSON文件时，仅得到包含索引和嵌套长字符串的两列，数据以嵌套字典形式存储。

解决方案 #

步骤1：正确读取并解析JSON数据 #

直接用pd.read_json()会将整个JSON结构作为单行列加载，需要先手动解析JSON，提取核心的conceptSet数据：

import pandas as pd
import json

# 加载JSON文件
with open("cptall-en-GB.json", "r", encoding="utf-8") as f:
    raw_data = json.load(f)

# 提取conceptSet中的所有概念条目
concept_data = raw_data["conceptSet"]

# 将字典转换为DataFrame，orient="index"表示用字典的键作为行索引
df = pd.DataFrame.from_dict(concept_data, orient="index")

步骤2：提取嵌套字段 #

prefLabel是嵌套字典，需要从中提取en-GB对应的名称；qcode字段可直接使用：

# 提取en-GB语言的主题名称
df["Name(en-GB)"] = df["prefLabel"].apply(lambda item: item.get("en-GB"))

# 筛选出核心需求的两列并重命名
final_df = df[["qcode", "Name(en-GB)"]].rename(columns={"qcode": "Q-code"})

可选：提取其他字段 #

如果需要额外字段（如定义、修改时间等），用同样方式提取嵌套内容：

# 提取en-GB语言的定义
df["Definition(en-GB)"] = df["definition"].apply(lambda item: item.get("en-GB"))

# 提取修改时间
df["Modified"] = df["modified"]

结果示例 #

运行上述代码后，final_df会呈现结构化的表格：

内容的提问来源于stack exchange，提问作者user19495470