Convertidor online gratuito de JSON a SAV

Qué es el formato JSON

JSON es un formato de texto UTF-8 compuesto por objetos, matrices, cadenas, números, valores booleanos y valores null. Las aplicaciones web, las API REST, los flujos de datos, las bases de datos NoSQL y las herramientas de exportación de bases de datos suelen crear archivos JSON; un conjunto de datos típico es una matriz de objetos, como un objeto por encuestado o transacción.

JSON no requiere que todos los objetos tengan los mismos campos, y los campos pueden contener objetos o matrices anidados. Esa flexibilidad resulta útil para el intercambio, pero no coincide directamente con el modelo rectangular de filas y columnas que espera el software estadístico.

Qué es el formato SAV

SAV es el formato de datos del sistema IBM SPSS Statistics. Almacena registros rectangulares junto con metadatos como nombres de variables, etiquetas de variables, etiquetas de valores, niveles de medición, definiciones de valores ausentes, formatos y codificaciones de caracteres.

SPSS, PSPP, paquetes de R como haven y bibliotecas de Python basadas en ReadStat pueden leer archivos SAV. SAV es adecuado cuando el destinatario necesita metadatos compatibles con SPSS o análisis estadístico en lugar de una exportación de texto legible; no es un formato de base de datos relacional de uso general.

Cómo convertir realmente JSON a SAV

Convertir con Python

Python es la opción más controlable cuando JSON contiene matrices, campos anidados, valores null, fechas o valores que necesitan una limpieza de tipos. Instala los paquetes necesarios:

python -m pip install pandas pyreadstat

Guarda lo siguiente como json_to_sav.py. Espera una matriz JSON de nivel superior o un objeto que contenga una matriz 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")

Ejecútalo con:

python json_to_sav.py

pd.json_normalize convierte las rutas anidadas en nombres de columnas como address_city. Si JSON utiliza otra clave contenedora, sustituye records por esa clave. Si contiene un solo objeto en lugar de registros, identifica qué propiedades representan las filas antes de realizar la conversión.

Convertir sin instalar software

Puedes convertir el archivo de forma gratuita en el sitio web 101convert.com; para ello, carga el JSON, elige SAV como formato de salida y descarga el archivo generado. Inspecciona el resultado en SPSS o PSPP, especialmente cuando el origen contenga datos anidados o tipos mixtos.

Consideraciones de calidad y compatibilidad

• El aplanamiento es una decisión sobre los datos: los objetos anidados se convierten en columnas independientes, mientras que las matrices requieren una regla, como una fila por elemento de la matriz, texto concatenado o tablas relacionadas independientes. Un convertidor no puede deducir la estructura relacional correcta en todos los casos.
• Los tipos JSON mixtos necesitan limpieza: una columna que contenga números, cadenas y valores null puede convertirse en una variable de caracteres o perder valores durante la inferencia de tipos. Convierte cada columna deliberadamente en pandas antes de escribir el archivo SAV.
• Las fechas no se convierten automáticamente en fechas estadísticas: analiza las cadenas de fecha ISO y asigna la representación de fecha o fecha y hora de SPSS prevista si se requieren cálculos de fechas. De lo contrario, permanecen como columnas de caracteres ordinarias.
• Los metadatos suelen estar ausentes en JSON: las etiquetas de variables, las etiquetas de valores, los niveles de medición y los valores definidos por el usuario como ausentes deben proporcionarse por separado. La conversión conserva los valores de forma más fiable de lo que puede reconstruir su significado estadístico.
• Comprueba los nombres y las longitudes: utiliza nombres de columnas sencillos y únicos que sean compatibles con la versión de SPSS de destino. Los nombres largos, la puntuación, las claves duplicadas y los nombres que comienzan con caracteres no compatibles pueden modificarse o rechazarse.
• Valida el resultado: vuelve a abrir output.sav con SPSS, PSPP o pyreadstat.read_sav y compara después el número de filas, el número de columnas, el tratamiento de los valores null, los valores de fecha y los registros representativos con el JSON de origen.