Convertisseur en ligne gratuit de JSON en SAV

Ce qu’est le format JSON

JSON est un format texte UTF-8 constitué d’objets, de tableaux, de chaînes, de nombres, de valeurs booléennes et de valeurs nulles. Les applications web, les API REST, les pipelines de données, les bases de données NoSQL et les outils d’exportation de bases de données créent couramment des fichiers JSON ; un jeu de données typique est un tableau d’objets, par exemple un objet par répondant ou par transaction.

JSON n’exige pas que chaque objet possède les mêmes champs, et les champs peuvent contenir des objets ou des tableaux imbriqués. Cette flexibilité est utile pour l’échange de données, mais ne correspond pas directement au modèle rectangulaire en lignes et colonnes attendu par les logiciels statistiques.

Ce qu’est le format SAV

SAV est le format de données système d’IBM SPSS Statistics. Il stocke des enregistrements rectangulaires ainsi que des métadonnées telles que les noms de variables, les libellés de variables, les libellés de valeurs, les niveaux de mesure, les définitions des valeurs manquantes, les formats et les encodages de caractères.

SPSS, PSPP, les packages R tels que haven et les bibliothèques Python basées sur ReadStat peuvent lire les fichiers SAV. SAV convient lorsque le destinataire a besoin de métadonnées compatibles avec SPSS ou d’une analyse statistique plutôt que d’un export texte lisible par l’utilisateur ; il ne s’agit pas d’un format de base de données relationnelle à usage général.

Comment convertir réellement JSON en SAV

Convertir avec Python

Python est l’option offrant le plus de contrôle lorsque le fichier JSON contient des tableaux, des champs imbriqués, des valeurs nulles, des dates ou des valeurs nécessitant un nettoyage des types. Installez les packages requis :

python -m pip install pandas pyreadstat

Enregistrez le code suivant sous json_to_sav.py. Il attend soit un tableau JSON de niveau supérieur, soit un objet contenant un tableau 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")

Exécutez-le avec :

python json_to_sav.py

pd.json_normalize transforme les chemins imbriqués en noms de colonnes tels que address_city. Si le fichier JSON utilise une autre clé d’encapsulation, remplacez records par cette clé. S’il contient un objet unique plutôt que des enregistrements, identifiez les propriétés qui représentent les lignes avant la conversion.

Convertir sans installer de logiciel

Vous pouvez convertir gratuitement le fichier sur le site 101convert.com en téléversant le JSON, en choisissant SAV comme format de sortie et en téléchargeant le fichier généré. Inspectez le résultat dans SPSS ou PSPP, en particulier lorsque la source contient des données imbriquées ou des types mixtes.

Considérations relatives à la qualité et à la compatibilité

• L’aplatissement est une décision concernant les données : les objets imbriqués deviennent des colonnes distinctes, tandis que les tableaux nécessitent une règle, par exemple une ligne par élément du tableau, du texte concaténé ou des tables associées distinctes. Un convertisseur ne peut pas déduire la structure relationnelle correcte dans tous les cas.
• Les types JSON mixtes nécessitent un nettoyage : une colonne contenant des nombres, des chaînes et des valeurs nulles peut devenir une variable caractère ou perdre des valeurs lors de l’inférence des types. Convertissez volontairement chaque colonne dans pandas avant d’écrire le fichier SAV.
• Les dates ne deviennent pas automatiquement des dates statistiques : analysez les chaînes de date ISO et attribuez la représentation de date ou de date-heure SPSS souhaitée si des calculs sur les dates sont nécessaires. Sinon, elles restent des colonnes caractère ordinaires.
• Les métadonnées sont généralement absentes de JSON : les libellés de variables, les libellés de valeurs, les niveaux de mesure et les valeurs manquantes définies par l’utilisateur doivent être fournis séparément. La conversion préserve les valeurs plus fiablement qu’elle ne peut reconstituer leur signification statistique.
• Vérifiez les noms et les longueurs : utilisez des noms de colonnes simples et uniques, compatibles avec la version cible de SPSS. Les noms longs, la ponctuation, les clés en double et les noms commençant par des caractères non pris en charge peuvent être modifiés ou rejetés.
• Validez la sortie : rouvrez output.sav avec SPSS, PSPP ou pyreadstat.read_sav, puis comparez le nombre de lignes, le nombre de colonnes, la gestion des valeurs nulles, les valeurs de date et des enregistrements représentatifs avec le JSON source.