《利用Python 进行数据分析》 - 笔记(4)

发布日期：2021-06-30 19:50:05 浏览次数：2 分类：技术文章

本文共 10298 字，大约阅读时间需要 34 分钟。

问题导读：

1.读写文本格式的数据

2.二进制数据格式

3.使用HTML和Web API

解决方案：

读写文本格式的数据：

pandas 提供了一些用于将表格型数据读取为DataFrame对象的函数

pandas 中的解析函数

函数的选项可以划分为以下几个大类

索引：将一个或多个列当做返回的DataFrame处理，以及是否从文件、用户获取列名

类型推断和数据转换：包括用户定义值的转换、缺失值标记列表等。

日期解析：包括组合功能，比如将分散在多个列的日期信息组合成结果中的单个列

迭代：支持对大文件进行逐块迭代

不规整数据问题：跳过一些行、页脚、注释或其他一些不重要的东西

类型推断：

你不需要指定列的类型到底是数值、整数、布尔值、还是字符串。

日期和其他自定义类型的处理需要花点功夫才行。

分别用read_csv() 和 read_table() 读取文件

In [17]: !cat ex1.csva,b,c,d,message1,2,3,4,hello5,6,7,8,world9,10,11,12,fooIn [18]: import pandas as pdIn [19]: df = pd.read_csv('ex1.csv')In [20]: dfOut[20]:    a   b   c   d message0  1   2   3   4   hello1  5   6   7   8   world2  9  10  11  12     fooIn [21]: pd.read_table('ex1.csv', sep=',')Out[21]:    a   b   c   d message0  1   2   3   4   hello1  5   6   7   8   world2  9  10  11  12     foo

对于没有标题行的文件

In [25]: !cat ex2.csv               1,2,3,4,hello5,6,7,8,world9,10,11,12,fooIn [26]: pd.read_csv('ex2.csv', header = None)Out[26]:    0   1   2   3      40  1   2   3   4  hello1  5   6   7   8  world2  9  10  11  12    fooIn [27]: pd.read_csv('ex2.csv', names = ['a','b','c','d','message'])Out[27]:    a   b   c   d message0  1   2   3   4   hello1  5   6   7   8   world2  9  10  11  12     foo

如果希望将message 列做成DataFrame 的索引

明确表示要将该列放到索引4的位置上

通过index_col 参数指定

In [28]: names = ['a','b','c','d','message']In [29]: pd.read_csv('ex2.csv', names = names, index_col='message')Out[29]:          a   b   c   dmessage               hello    1   2   3   4world    5   6   7   8foo      9  10  11  12

如果你希望做成层次化索引，只需要传入由列编号或列名组成的列表即可

In [31]: parsed = pd.read_csv('csv_mindex.csv', index_col = ['key1','key2'])In [32]: parsedOut[32]:            value1  value2key1 key2                one  a          1       2     b          3       4     c          5       6     d          7       8two  a          9      10     b         11      12     c         13      14     d         15      16

有些表格可能不是用固定的分隔符去分隔字段，对于这种情况我们要用正则表达来作为read_table 的分隔符

In [8]: !cat ex3.txt            A         B         Caaa -0.264438 -1.026059 -0.619500bbb  0.927272  0.302904 -0.032399ccc -0.264273 -0.386314 -0.217601ddd -0.871858 -0.348382  1.100491In [10]: result = pd.read_table('ex3.txt', sep='\s+')In [11]: resultOut[11]:             A         B         Caaa -0.264438 -1.026059 -0.619500bbb  0.927272  0.302904 -0.032399ccc -0.264273 -0.386314 -0.217601ddd -0.871858 -0.348382  1.100491

缺失值处理是文件解析任务中的一个重要的组成部分

缺失数据是一个空串（什么都没有）

用一个标记值来标记（NA,-1.#IND,NULL）

na_values 参数规定什么样的值是NA 值

In [22]: result = pd.read_csv('ex5.csv')In [23]: resultOut[23]:   something  a   b   c   d message0       one  1   2   3   4     NaN1       two  5   6 NaN   8   world2     three  9  10  11  12     fooIn [24]: result = pd.read_csv('ex5.csv', na_values=['10','11','12'])In [25]: resultOut[25]:   something  a   b   c   d message0       one  1   2   3   4     NaN1       two  5   6 NaN   8   world2     three  9 NaN NaN NaN     foo

read_csv/read_table 函数的参数

1.逐块读取文本文件

read_csv 所返回的是个TextParser(文本解析器对象)使你可以根据chunksize 对文件进行逐块迭代

In [27]: chunker = pd.read_csv('ex6.csv', chunksize=1000)In [28]: chunkerOut[28]:

我们可以迭代处理这个ex6.csv 将值计数聚合到”key“列中

ex6.py

#!/usr/bin/env python# coding=utf-8import pandas as pdchunker = pd.read_csv('ex6.csv', chunksize=1000)result = pd.Series([])for piece in chunker:    result = result.add(piece['key'].value_counts(),fill_value=0)result = result.order(ascending = False)

In [37]: pd.read_csv('ex6.csv',nrows=5)Out[37]:         one       two     three      four key0  0.467976 -0.038649 -0.295344 -1.824726   L1 -0.358893  1.404453  0.704965 -0.200638   B2 -0.501840  0.659254 -0.421691 -0.057688   G3  0.204886  1.074134  1.388361 -0.982404   R4  0.354628 -0.133116  0.283763 -0.837063   QIn [38]: run ex6.pyIn [39]: result[:10]Out[39]: E    368X    364L    346O    343Q    340M    338J    337F    335K    334H    330dtype: float64

2.将数据写出到文本格式

DataFrame 的 to_csv方法

可以将数据写到文件中（.txt/.csv/...）

默认分隔符为‘，’

我们可以使用sep 参数控制分隔符

na_rep 参数处理缺失值

In [20]: data = pd.read_csv('ex5.csv')In [21]: dataOut[21]:   something  a   b   c   d message0       one  1   2   3   4     NaN1       two  5   6 NaN   8   world2     three  9  10  11  12     fooIn [22]: data.to_csv('out.csv')In [23]: !cat out.csv,something,a,b,c,d,message0,one,1,2,3.0,4,1,two,5,6,,8,world2,three,9,10,11.0,12,fooIn [24]: data.to_csv('out.csv',sep='|')In [25]: !cat out.csv|something|a|b|c|d|message0|one|1|2|3.0|4|1|two|5|6||8|world2|three|9|10|11.0|12|fooIn [27]: data.to_csv('out.csv',sep='|',na_rep='null')In [28]: !cat out.csv|something|a|b|c|d|message0|one|1|2|3.0|4|null1|two|5|6|null|8|world2|three|9|10|11.0|12|foo

如果没有其他选项，则会写出行和列的标签

我们也可以只写出一部分的列，并以我们指定的顺序排列

In [38]: data.to_csv('out.csv',index = False, cols = ['a','b','c'],na_rep = 'null')In [39]: !cat out.csva,b,c1,2,3.05,6,null9,10,11.0

Series 的 to_csv 方法

In [44]: dates = pd.date_range('1/1/2000',periods=10)In [45]: datesOut[45]: 
          
           [2000-01-01, ..., 2000-01-10]Length: 10, Freq: D, Timezone: NoneIn [47]: ts = pd.Series(np.arange(10),index=dates)In [48]: ts.to_csv('tseries.csv')In [49]: !cat tseries.csv2000-01-01,02000-01-02,12000-01-03,22000-01-04,32000-01-05,42000-01-06,52000-01-07,62000-01-08,72000-01-09,82000-01-10,9

Series 的 from_csv 方法

In [50]: data = pd.read_csv('tseries.csv')In [51]: dataOut[51]:    2000-01-01  00  2000-01-02  11  2000-01-03  22  2000-01-04  33  2000-01-05  44  2000-01-06  55  2000-01-07  66  2000-01-08  77  2000-01-09  88  2000-01-10  9In [52]: data = pd.Series.from_csv('tseries.csv')In [53]: dataOut[53]: 2000-01-01    02000-01-02    12000-01-03    22000-01-04    32000-01-05    42000-01-06    52000-01-07    62000-01-08    72000-01-09    82000-01-10    9dtype: int64

3.JSON数据

pandas 团队正在致力于添加原生的高效的json导出（to_json) 和解码（from_json）功能

我们可以通过json.loads 将json 字符串转换成python形式

相反，json.dumps则将python对象转换成json格式

也可以向DataFrame 构造器传入一组Json 对象，并选取数据字段的子集

In [54]: obj = """   ....: { "programmers": [   ....:    ....: { "firstName": "Brett", "lastName":"McLaughlin", "email": "aaaa" },   ....:    ....: { "firstName": "Jason", "lastName":"Hunter", "email": "bbbb" },   ....:    ....: { "firstName": "Elliotte", "lastName":"Harold", "email": "cccc" }   ....:    ....: ],   ....:    ....: "authors": [   ....:    ....: { "firstName": "Isaac", "lastName": "Asimov", "genre": "science fiction" },   ....:    ....: { "firstName": "Tad", "lastName": "Williams", "genre": "fantasy" },   ....:    ....: { "firstName": "Frank", "lastName": "Peretti", "genre": "christian fiction" }   ....:    ....: ],   ....:    ....: "musicians": [   ....:    ....: { "firstName": "Eric", "lastName": "Clapton", "instrument": "guitar" },   ....:    ....: { "firstName": "Sergei", "lastName": "Rachmaninoff", "instrument": "piano" }   ....:    ....: ] }   ....: """In [55]: import jsonIn [56]: result = json.loads(obj)In [57]: resultOut[57]: {u'authors': [{u'firstName': u'Isaac',   u'genre': u'science fiction',   u'lastName': u'Asimov'},  {u'firstName': u'Tad', u'genre': u'fantasy', u'lastName': u'Williams'},  {u'firstName': u'Frank',   u'genre': u'christian fiction',   u'lastName': u'Peretti'}], u'musicians': [{u'firstName': u'Eric',   u'instrument': u'guitar',   u'lastName': u'Clapton'},  {u'firstName': u'Sergei',   u'instrument': u'piano',   u'lastName': u'Rachmaninoff'}], u'programmers': [{u'email': u'aaaa',   u'firstName': u'Brett',   u'lastName': u'McLaughlin'},  {u'email': u'bbbb', u'firstName': u'Jason', u'lastName': u'Hunter'},  {u'email': u'cccc', u'firstName': u'Elliotte', u'lastName': u'Harold'}]}In [58]: asjson = json.dumps(result)In [59]: musicians = pd.DataFrame(result['musicians'],columns=['firstName','lastName'])In [60]: musiciansOut[60]:   firstName      lastName0      Eric       Clapton1    Sergei  Rachmaninoff

4.xml和html：web信息收集

从html中提取超链接

In [62]: from lxml.html import parseIn [63]: from urllib2 import urlopenIn [64]: parsed = parse(urlopen('http://finance.yahoo.com/q/op?s=AAPL+Options')) In [65]: doc = parsed.getroot()In [66]: links = doc.findall('.//a')In [67]: links[10:20]Out[67]: [
      
       , 
       
        , 
        
         , 
         
          , 
          
           , 
           
            , 
            
             , 
             
              , 
              
               , 
               
                ]In [68]: lnk = links[28]In [69]: lnkOut[69]: 
                
                 In [70]: lnk.get('href')Out[70]: 'https://help.yahoo.com/l/us/yahoo/finance/'In [71]: lnk.text_content()Out[71]: 'Help'In [72]: urls = [lnk.get('href') for lnk in doc.findall('.//a')]In [73]: urls[-10:]Out[73]: ['/q/cf?s=AAPL+Cash+Flow', 'https://mobile.yahoo.com/finance/?src=gta', '/q/op?s=AAPL&date=1463529600', '/q/op?s=AAPL&straddle=true&date=1463529600', None, None, None, None, '/q/op?s=AAPL&strike=20.00', '/q?s=BVZ160518P00020000']

二进制数据格式：

HDF5

PyTables和h5py这两个Python项目可以将NumPy的数组数据存储为高效且可压缩的HDF5格式（层次化数据格式）。你可以安全地将好几百GB甚至TB的数据存储为HDF5格式。

PyTables提供了一些用于结构化数组的高级查询功能，而且还能添加列索引以提升查询速度，这跟关系型数据库所提供的表索引功能非常类似。

读取 Microsoft Excel 文件

创建一个ExcelFile 文件的实例：pd.ExcelFile('filepath')

通过parse 传入到DataFrame中:xls_file.parse('Sheet1')

使用HTML和web API：

安装requests 包

peerslee@peerslee-ubuntu:~$ sudo apt-get install python-requests[sudo] peerslee 的密码： 正在读取软件包列表... 完成正在分析软件包的依赖关系树       正在读取状态信息... 完成       将会安装下列额外的软件包：  python-ndg-httpsclient python-urllib3建议安装的软件包：  python-ntlm下列【新】软件包将被安装：  python-ndg-httpsclient python-requests python-urllib3升级了 0 个软件包，新安装了 3 个软件包，要卸载 0 个软件包，有 4 个软件包未被升级。需要下载 135 kB 的软件包。解压缩后会消耗掉 648 kB 的额外空间。您希望继续执行吗？ [Y/n] Y获取：1 http://mirrors.hust.edu.cn/ubuntu/ wily/main python-ndg-httpsclient all 0.4.0-1 [24.9 kB]获取：2 http://mirrors.hust.edu.cn/ubuntu/ wily/main python-urllib3 all 1.11-1 [56.2 kB]获取：3 http://mirrors.hust.edu.cn/ubuntu/ wily/main python-requests all 2.7.0-3 [53.8 kB]下载 135 kB，耗时 2秒 (46.3 kB/s)          正在选中未选择的软件包 python-ndg-httpsclient。(正在读取数据库 ... 系统当前共安装有 223563 个文件和目录。)正准备解包 .../python-ndg-httpsclient_0.4.0-1_all.deb  ...正在解包 python-ndg-httpsclient (0.4.0-1) ...正在选中未选择的软件包 python-urllib3。正准备解包 .../python-urllib3_1.11-1_all.deb  ...正在解包 python-urllib3 (1.11-1) ...正在选中未选择的软件包 python-requests。正准备解包 .../python-requests_2.7.0-3_all.deb  ...正在解包 python-requests (2.7.0-3) ...正在处理用于 man-db (2.7.4-1) 的触发器 ...正在设置 python-ndg-httpsclient (0.4.0-1) ...正在设置 python-urllib3 (1.11-1) ...正在设置 python-requests (2.7.0-3) ...