Convertitore online gratuito da JSON a SAV

Cos'è il formato JSON

JSON è un formato di testo UTF-8 composto da oggetti, array, stringhe, numeri, valori booleani e valori null. Le applicazioni web, le REST API, le pipeline di dati, i database NoSQL e gli strumenti di esportazione dei database creano comunemente file JSON; un dataset tipico è un array di oggetti, ad esempio un oggetto per ogni intervistato o transazione.

JSON non richiede che ogni oggetto abbia gli stessi campi e i campi possono contenere oggetti o array annidati. Questa flessibilità è utile per lo scambio di dati, ma non corrisponde direttamente al modello rettangolare di righe e colonne previsto dai software statistici.

Cos'è il formato SAV

SAV è il formato di dati di sistema di IBM SPSS Statistics. Memorizza record rettangolari insieme a metadati quali nomi delle variabili, etichette delle variabili, etichette dei valori, livelli di misurazione, definizioni dei valori mancanti, formati e codifiche dei caratteri.

SPSS, PSPP, i pacchetti R come haven e le librerie Python basate su ReadStat possono leggere i file SAV. SAV è adatto quando il destinatario necessita di metadati compatibili con SPSS o di analisi statistiche invece di un'esportazione di testo leggibile dall'uomo; non è un formato per database relazionali generico.

Come convertire effettivamente JSON in SAV

Convertire con Python

Python è l'opzione più controllabile quando il JSON contiene array, campi annidati, valori null, date o valori che richiedono una pulizia del tipo. Installare i pacchetti richiesti:

python -m pip install pandas pyreadstat

Salvare quanto segue come json_to_sav.py. Si aspetta un array JSON di primo livello oppure un oggetto contenente un array records.

import json
import pandas as pd
import pyreadstat

with open("input.json", encoding="utf-8") as file:
    data = json.load(file)

if isinstance(data, dict) and isinstance(data.get("records"), list):
    data = data["records"]

if not isinstance(data, list) or not all(isinstance(row, dict) for row in data):
    raise ValueError("Expected a JSON array of objects or an object with a records array")

df = pd.json_normalize(data, sep="_")
pyreadstat.write_sav(df, "output.sav")

Eseguirlo con:

python json_to_sav.py

pd.json_normalize trasforma i percorsi annidati in nomi di colonne come address_city. Se il JSON utilizza un'altra chiave contenitore, sostituire records con quella chiave. Se contiene un singolo oggetto invece di record, individuare quali proprietà rappresentano le righe prima della conversione.

Convertire senza installare software

È possibile convertire gratuitamente il file sul sito web 101convert.com caricando il JSON, scegliendo SAV come formato di output e scaricando il file generato. Esaminare il risultato in SPSS o PSPP, soprattutto quando la fonte contiene dati annidati o tipi misti.

Considerazioni sulla qualità e sulla compatibilità

• La conversione dei dati annidati è una decisione sui dati: gli oggetti annidati diventano colonne separate, mentre gli array richiedono una regola, ad esempio una riga per ogni elemento dell'array, testo concatenato o tabelle correlate separate. Un convertitore non può dedurre la struttura relazionale corretta in ogni caso.
• I tipi JSON misti richiedono una pulizia: una colonna contenente numeri, stringhe e valori null può diventare una variabile carattere o perdere valori durante l'inferenza del tipo. Convertire deliberatamente ogni colonna in pandas prima di scrivere il file SAV.
• Le date non sono automaticamente date statistiche: analizzare le stringhe di data ISO e assegnare la rappresentazione SPSS di data o data e ora prevista se sono necessari calcoli sulle date. In caso contrario, rimangono normali colonne carattere.
• In genere i metadati sono assenti in JSON: le etichette delle variabili, le etichette dei valori, i livelli di misurazione e i valori mancanti definiti dall'utente devono essere forniti separatamente. La conversione preserva i valori in modo più affidabile di quanto riesca a ricostruire il significato statistico.
• Controllare nomi e lunghezze: utilizzare nomi di colonna semplici e univoci, compatibili con la versione SPSS di destinazione. Nomi lunghi, punteggiatura, chiavi duplicate e nomi che iniziano con caratteri non supportati possono essere modificati o rifiutati.
• Convalidare l'output: riaprire output.sav con SPSS, PSPP o pyreadstat.read_sav, quindi confrontare il numero di righe, il numero di colonne, la gestione dei valori null, i valori delle date e i record rappresentativi con il JSON di origine.