python - 利用 Python 进行数据分析 —— 4 数据的导入导出_个人文章

来源：恒创科技编辑：恒创科技编辑部

2024-01-02 23:41:59

在数据分析中，我们一般不会像前几篇文章那样自己创造数据，而是需要利用外部数据。本篇要解决两个问题：

如何将外部数据导入，并转换为 DataFrame？如何将 DataFrame 导出为常用的文件格式？4.1 读取文本数据

本篇文章用到的数据，可以从 GitHub 上下载：https://github.com/wesm/pydat...

4.1.1 csv 数据：处理标题行

我们可以从 csv 数据入手，看看如何将 csv 数据导入为 DataFrame：

python - 利用 Python 进行数据分析 —— 4 数据的导入导出_个人文章

 in: df = pd.read_csv('examples\ex1.csv')  
     df
out:    a   b   c   d message
     0  1   2   3   4   hello
     1  5   6   7   8   world
     2  9  10  11  12     foo

如果你用的是 PyCharm IDE 的话，看看 Console 中的变量部分，变量 “df” 的右边会有一个 “view as DataFrame” 的按钮。点击它，你可以看到这样的视图：

view as DataFrame.jpg

这个视图在数据量很大的时候很有用，能帮你粗略地检视数据。

除了 pd.read_csv() 外，pandas 还提供了读取其他形式数据的方法，如 pd.read_table(), pd. read_json(), pd.read_excel() 等。

pd.read_table('examples\ex1.csv', sep=',')  # 由于 pd.read_table() 的默认分隔符是 tab，我们需要手动指定一下，以打开我们的文件

如果文件没有标题行（字段名/列名），该怎么做？

 in: pd.read_csv('examples\ex2.csv')
out:    1   2   3   4  hello  # 可以看到，pandas 默认认为第一行是标题行，这和我们想要的结果不符
     0  5   6   7   8  world 
     1  9  10  11  12    foo
 
 in: pd.read_csv('examples\ex2.csv', header=None)  # 这样就可以让 pandas 不把第一行视为标题行
out:    0   1   2   3      4  # pandas 默认生成了一行连续数作为标题行
     0  1   2   3   4  hello
     1  5   6   7   8  world
     2  9  10  11  12    foo
 
 in: pd.read_csv('examples\ex2.csv', names=['a','b','c','d','message'])  # 可以像这样给每列取个名字
out:    a   b   c   d message
     0  1   2   3   4   hello
     1  5   6   7   8   world
     2  9  10  11  12     foo
 
 in: pd.read_csv('examples\ex2.csv', names=['a','b','c','d','message'],index_col='message')  # 还可以把 message 这列作为 DataFrame 的行索引
out:          a   b   c   d
     message               
     hello    1   2   3   4
     world    5   6   7   8
     foo      9  10  11  12

4.1.2 txt 数据：处理分隔符

csv 数据相对来说更规则，那么如何读取 txt 数据呢？

我们来看个 txt 数据的例子：

 in: with open('examples\ex3.txt','r') as f:  # 这样可以用普通的 python 方法打开一个 txt 文件
         print(f.read())  
out:             A         B         C
     aaa -0.264438 -1.026059 -0.619500
     bbb  0.927272  0.302904 -0.032399
     ccc -0.264273 -0.386314 -0.217601
     ddd -0.871858 -0.348382  1.100491  # 看上去十分整洁
        
 in: list(open('examples\ex3.txt'))  # 换种方式看看
out: ['            A         B         C\n', 'aaa -0.264438 -1.026059 -0.619500\n', 'bbb  0.927272  0.302904 -0.032399\n', 'ccc -0.264273 -0.386314 -0.217601\n', 'ddd -0.871858 -0.348382  1.100491\n']
# 可以看到这个 txt 文件中，充斥着分隔符，分隔符包括：单个空格、多个空格和换行符

现在让我们来将这个 txt 数据导入为 DataFrame：

 in: df = pd.read_table('examples\ex3.txt')
     df
out:                A         B         C
     0  aaa -0.264438 -1.026059 -0.619500
     1  bbb  0.927272  0.302904 -0.032399
     2  ccc -0.264273 -0.386314 -0.217601
     3  ddd -0.871858 -0.348382  1.100491  # 这个结果看上去很好
        
 in: df.columns  # 但如果我们看看它的列标签，我们就会知道这不是我们想要的结果
out: Index(['            A         B         C'], dtype='object')

出现上述问题的原因是，不同的分隔符让 pandas 难以识别行与列的分隔。如何解决这个问题呢？我们可以像前面提到的，指定 sep 参数，让 pandas 识别出分隔符。但是分隔符包括单个空格、多个空格和换行符，如何表示这三种分隔符呢？我们用到了正则表达式：

# 此处用到了正则表达式：\s 代表空格和换行符，+ 代表可以包括1个至多个加号前面的字符——即多个空格
 in: df = pd.read_table('examples\ex3.txt',sep='\s+')
     df.columns
out: Index(['A', 'B', 'C'], dtype='object')  # 这回是我们想要的结果了

4.1.3 跳过表格前几行

有的人在编写表格时，喜欢在表格的前几行备注一些信息。我们需要跳过无意义的备注信息。

比如这个文件 “examples\ex4.csv”：

# hey!
a,b,c,d,message
# just wanted to make things more difficult for you
# who reads CSV files with computers, anyway?
1,2,3,4,hello
5,6,7,8,world
9,10,11,12,foo

我们想要跳过无意义的第1、3、4行，只需要指定 skiprows 参数就可以了：

 in: pd.read_csv('examples\ex4.csv',skiprows=[0,2,3])
out:    a   b   c   d message
     0  1   2   3   4   hello
     1  5   6   7   8   world
     2  9  10  11  12     foo

4.1.4 excel 数据

如今，我们处理表格数据最常用的软件就是 Excel，保存下来的表格文件，通常是 xlsx 文件。我最常用的打开此类数据的方式是：

path = r'一个数据.xlsx'
df = pd.read_excel(path, engine='openpyxl', dtype=object, keep_default_na=False)

让我来解释一下 pd.read_excel() 中我使用的参数：

之前曾经出现过 Excel xlsx file; not supported - 简书 (jianshu.com) 这篇文章描述过的错误，因此我导入 xlsx 文件是通常会把 engine 参数设置为 'openpyxl'。但现在似乎不再需要了。dtype 设置为 object，可以保留数据的原貌keep_default_na = False 可以不将缺失值设置为 NaN4.1.5 缺失值处理

让我们来看一个有缺失值的数据：

 in: pd.read_csv('examples\ex5.csv')
out:   something  a   b     c   d message
     0       one  1   2   3.0   4     NaN  # 可以看到，里面包含缺失值
     1       two  5   6   NaN   8   world
     2     three  9  10  11.0  12     foo

如果你不想让缺失值表现为 NaN，那么可以像上面一样，设置 keep_default_na = False。

如果除了空值，其他的某个值（比如 foo）也代表缺失值，我们想让等于 foo 的值也表现为 NaN：

 in: pd.read_csv('examples\ex5.csv',na_values=['foo'])
out:   something  a   b     c   d message
     0       one  1   2   3.0   4     NaN
     1       two  5   6   NaN   8   world
     2     three  9  10  11.0  12     NaN

4.1.6 JSON 数据

我们在处理从网上爬到的数据时，往往需要处理 JSON 数据。如：

 in: obj = """
     {"name": "Wes",
      "places_lived": ["United States", "Spain", "Germany"],
      "pet": null,
      "siblings": [{"name": "Scott", "age": 30, "pets": ["Zeus", "Zuko"]},
                   {"name": "Katie", "age": 38,
                    "pets": ["Sixes", "Stache", "Cisco"]}]
     }
     """  # 我们定义一个 JSON 数据
     obj  # 我们得到了一个 JSON 格式的字符串
out: '\n{"name": "Wes",\n "places_lived": ["United States", "Spain", "Germany"],\n "pet": null,\n "siblings": [{"name": "Scott", "age": 30, "pets": ["Zeus", "Zuko"]},\n              {"name": "Katie", "age": 38,\n               "pets": ["Sixes", "Stache", "Cisco"]}]\n}\n'

为了能够处理这个 JSON 字符串，我们需要将它转换为 Python 的字典形式：

 in: import json
     result = json.loads(obj)  # 我们通过 json.loads() 进行转换
     result  # 可以看到，现在它变成了一个字典
out: {'name': 'Wes', 'places_lived': ['United States', 'Spain', 'Germany'], 'pet': None, 'siblings': [{'name': 'Scott', 'age': 30, 'pets': ['Zeus', 'Zuko']}, {'name': 'Katie', 'age': 38, 'pets': ['Sixes', 'Stache', 'Cisco']}]}

现在，这个数据就可以转化为 DataFrame 处理了：

 in: pd.DataFrame(result['siblings'])  # 传入字典列表
out:     name  age                    pets
     0  Scott   30            [Zeus, Zuko]
     1  Katie   38  [Sixes, Stache, Cisco]
        
 in: pd.DataFrame(result['siblings'],columns=['name','age'])
out:     name  age
     0  Scott   30
     1  Katie   38

Python 字典同样可以转换回 JSON 字符串：

 in: json.dumps(result)  # 我们通过 json.dumps() 进行转换
out: '{"name": "Wes", "places_lived": ["United States", "Spain", "Germany"], "pet": null, "siblings": [{"name": "Scott", "age": 30, "pets": ["Zeus", "Zuko"]}, {"name": "Katie", "age": 38, "pets": ["Sixes", "Stache", "Cisco"]}]}'

当然，pandas 也可以直接读取 JSON 文件，但是 JSON 文件的格式最好规整。

 in: pd.read_json('examples/example.json')
out:    a  b  c
     0  1  2  3
     1  4  5  6
     2  7  8  9

4.2 逐块读取文本数据

在处理大文件时，我们常常希望读取其中的一小块。

比如这个有 10000 行数据的文件：

# 为了显示好看，我们先让 pandas 在展示时只显示 10 行
pd.options.display.max_rows = 10  # 让 pandas 在展示的时候只显示10行

 in: df = pd.read_csv('examples/ex6.csv')
     df
out:            one       two     three      four key
     0     0.467976 -0.038649 -0.295344 -1.824726   L
     1    -0.358893  1.404453  0.704965 -0.200638   B
     2    -0.501840  0.659254 -0.421691 -0.057688   G
     3     0.204886  1.074134  1.388361 -0.982404   R
     4     0.354628 -0.133116  0.283763 -0.837063   Q
             ...       ...       ...       ...  ..
     9995  2.311896 -0.417070 -1.409599 -0.515821   L
     9996 -0.479893 -0.650419  0.745152 -0.646038   E
     9997  0.523331  0.787112  0.486066  1.093156   K
     9998 -0.362559  0.598894 -1.843201  0.887292   G
     9999 -0.096376 -1.012999 -0.657431 -0.573315   0
     [10000 rows x 5 columns]

为了逐块读取文件，我们需要指定块的大小。比如，我们按一块 1000 行来读取。

chunker = pd.read_csv('examples/ex6.csv', chunksize=1000)  # 这个东西是个迭代器
tot = pd.Series([])
for piece in chunker:  # 这样就可以逐块处理了
    tot = tot.add(piece['key'].value_counts(), fill_value=0)

4.3 导出数据

表格数据我们通常会导出为 csv 或 xlsx 文件。这样就可以导出了：

data = pd.read_csv('examples/ex5.csv')  # 首先我们读一个文件

path = r"一个文件.csv"
data.to_csv(path)  # 这样就导出了

path = r"一个文件.xlsx"
data.to_excel(path, index=False)  # 将 index 设置为 False 可以不输出索引