数据加载、存储与文件格式

pandas提供了一些用于将表格型数据读取为DataFrame对象的函数。其中read_csv和read_talbe用得最多

pandas中的解析函数：

函数 说明

read_csv 从文件、URL、文件型对象中加载带分隔符的数据，默认分隔符为逗号

read_table 从文件、URL、文件型对象中加载带分隔符的数据。默认分隔符为制表符("\t")

read_fwf 读取定宽列格式数据(也就是说，没有分隔符)

read_clipboard 读取剪贴板中的数据，可以看做read_table的剪贴板版。在将网页转换为表格时很有用

下面介绍一下这些函数在将文本数据转换为DataFrame时所用到的一些技术。这些函数的选项可以划分为以下几个大类：

（1）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

（2）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。（类型推断是这些函数中最重要的功能之一）

（3）日期解析：包括组合功能，比如将分散在多个列中的日期时间信息组合成结果中的单个列。

（4）迭代：支持对大文件进行逐块迭代。

（5）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(比如成千上万个逗号隔开的数值数据)

1. 读写文本格式的数据：

（1）由于该文件以逗号分隔，所以我们可以使用read_csv将其读入一个DataFrame:

import pandas as pdimport numpy as np#'ex1.csv'的内容如下：# a,b,c,d,message# 1,2,3,4,hello# 5,6,7,8,world# 9,10,11,12,foodf=pd.read_csv('ex1.csv')print df#输出结果如下：# a b c d message# 0 1 2 3 4 hello# 1 5 6 7 8 world# 2 9 10 11 12 foo

（2）我们也可以用read_table,只不过需要指定分隔符而己：

df=pd.read_table('ex1.csv',sep=',')print df#输出结果如下：# a b c d message# 0 1 2 3 4 hello# 1 5 6 7 8 world# 2 9 10 11 12 foo

(3)读入文件可以让pandas为其分配默认的列名，也可以自己定义列名：

print pd.read_csv('ex1.csv',header=None)#输出结果如下：# 0 1 2 3 4# 0 a b c d message# 1 1 2 3 4 hello# 2 5 6 7 8 world# 3 9 10 11 12 fooprint pd.read_csv('ex1.csv',names=['a','b','c','d','message'])#输出结果如下：# a b c d message# 0 a b c d message# 1 1 2 3 4 hello# 2 5 6 7 8 world# 3 9 10 11 12 foo

（4）假如希望将message列做成DataFrame的索引，也可以明确表示要将该列放到索引4的位置上，也可以通过index_col参数指定"message"

names=['a','b','c','d','message']print pd.read_csv('ex1.csv',names=names)#输出结果如下：# a b c d message# 0 a b c d message# 1 1 2 3 4 hello# 2 5 6 7 8 world# 3 9 10 11 12 fooprint pd.read_csv('ex1.csv',names=names,index_col='message')#输出结果如下：# a b c d# message# message a b c d# hello 1 2 3 4# world 5 6 7 8# foo 9 10 11 12

（5）如果希望将多个列做成一个层次化索引，只需传入由列编号或列名组成的列表即可：

#'csv_mindex.csv'的内容如下：# key1,key2,value1,value2# one,a,1,2# one,b,3,4# one,c,5,6# one,d,7,8# two,a,9,10# two,b,11,12# two,c,13,14# two,d,15,16parsed=pd.read_csv('csv_mindex.csv',index_col=['key1','key2']) #index_col表示为行索引print parsed# value1 value2# key1 key2# one a 1 2# b 3 4# c 5 6# d 7 8# two a 9 10# b 11 12# c 13 14# d 15 16

（6）有些表示可能不是用固定的分隔符去分隔字段的(比如空白符或其它字符串)。对于这些情况，可以编写一个正则表达式来作为read_table

# 的分隔符。看下面的文本文件#'ex3.txt'的内容如下# A B C,# aaa -0.264438 -1.026059 -0.619500# bbb 0.9283898 0.3928928 -0.032388# ccc -0.264327 -0.386313 -0.217601# ddd -0.878218 -0.348238 1.1004919print list(open('ex3.txt'))#输出结果如下：# [' A B C,\n',# 'aaa -0.264438 -1.026059 -0.619500\n',# 'bbb 0.9283898 0.3928928 -0.032388\n',# 'ccc -0.264327 -0.386313 -0.217601\n',# 'ddd -0.878218 -0.348238 1.1004919']#该文件各个字段由数量不定的空白符分隔，则可以用正则表达式\s+表示：#正则表达式：\s表示空白符，\S非空白符，+表示后面会一直匹配下去。即\s+会匹配多个空格符result=pd.read_table('ex3.txt',sep='\s+')print result#输出结果如下：# A B C,# aaa -0.264438 -1.026059 -0.619500# bbb 0.928390 0.392893 -0.032388# ccc -0.264327 -0.386313 -0.217601# ddd -0.878218 -0.348238 1.100492#注意：这里由于列名比数据行的数量少(即A,B,C三个列名，但是列的数据是4列)，所以read_table推断第一列应该是DataFrame的索引。

（7）skiprows跳过文件的一些行，可以帮助处理各种各样的异形文件格式

#'ex4.csv'的内容如下：##hey!# a,b,c,d,message# #just wanted to make thins more difficult for u# # who reads CSV files with computers,anyway?# 1,2,3,4,hello# 5,6,7,8,world# 9,10,11,12,fooprint pd.read_csv('ex4.txt',skiprows=[0,2,3])#输出结果如下：# a b c d message# 0 1 2 3 4 hello# 1 5 6 7 8 world# 2 9 10 11 12 foo

（8）缺失值处理是文件解析任务中的一个重要组成部分。缺失数据经常是要么没有(空字符串)，要么用某个标记值表示。

#默认情况下，pandas会用一组经常出现的标记值进行识别，如NA,-1.#IND以及NULL等。#'ex5.csv'的内容如下：# something,a,b,c,d,message# one,1,2,3,4,NA# two,5,6,,8,world# three,9,10,11,12,fooresult=pd.read_csv('ex5.csv')print result#输出结果如下：# 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 fooprint pd.isnull(result) #查看为缺失值#输出结果如下：# something a b c d message# 0 False False False False False True# 1 False False False True False False# 2 False False False False False False

(9) na_values可以接受一组用于表示缺失值的字符串：

result=pd.read_csv('ex5.csv',na_values=['NULL'])print result#输出结果如下：# 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 foo

(10) 可以用一个字典为各列指定不同的NA标记值

sentinels={'message':['foo','NA'],'something':['two']} #将message列中的foo标成NA,something的two也标成NAprint pd.read_csv('ex5.csv',na_values=sentinels)#输出结果如下：# something a b c d message# 0 one 1 2 3.0 4 NaN# 1 NaN 5 6 NaN 8 world# 2 three 9 10 11.0 12 NaNread_csv/read_table函数的参数：参数 说明path 表示文件系统位置、url、文件型对象的字符串sep或delimiter 用于对行各字段进行拆分的字符序列或正则表达式header 用作列名的行号。默认为0(第一行)，如果没有header行就应该设置为Noneindex_col 用作行索引的列编号或列名。可以是单个名称/数字或多个名称/数字组成的列表(层次化索引)names 用于结果的列名列表，结合header=Noneskiprows 需要忽略的行数(从文件开始处算起)，或需要跳过的行号列表(从0开始)na_values 一组用于替换NA的值comment 用于将注释信息从行尾拆分出去的字符(一个或多个)parse_dates 尝试将数据解析为日期，默认为False.如果为True,则尝试解析所有列。此外，还可以指定需要解析的一组 列号或列名。如果列表的元素为列表或元组，就会将多个列组合到一起再进行日期解析工作(例如，日期/时间 分别位于两个列中)keep_date_col 如果连接多列解析日期，则保持参与连接的列。默认为False.converters 由列号/列名跟函数之间的映射关系组成的字典。例如，{‘foo':f}会对foo列的所有值应用函数fdayfirst 当解析有歧义的日期时，将其看做国际格式(例如：7/6/2012->June,7,2012).默认为Falsedate_parser 用于解析日期的函数nrows 需要读取的行数(从文件开始处算起)iterator 返回一个TextParser以便逐块读取文件chunksize 文件块的大小(用于迭代)skip_footer 需要忽略的行数(从文件末尾处算起)verbose 打印各种解析器输出信息，比如“非数值列中缺失值的数量”等encoding 用于unicode的文本编码格式。squeeze 如果数据经解析后仅含一列，则返回Seriesthousands 千分位分隔符，如“，”或“。”

逐块读取文本文件:

在处理很大文件时，或找出大文件中的参数集以便于后续处理时，你可能只想读取文件的一小部分或逐块对文件进行迭代。

import pandas as pdimport numpy as npfrom pandas import Series,DataFrame #'ex6.csv'的内容如下：# <class 'pandas.core.frame.DataFrame'># Int64Index:10000 entries, 0 to 9999# Data columns:# one 10000 non-null values# two 10000 non-null values# three 10000 non-null values# four 10000 non-null values# key 10000 non-null values# dtypes: float64(4),object(1)print pd.read_csv('ex6.csv',nrows=5) #nrows=5取前6行，下标从0开始 #要逐块读取文件，需要设置chunksize(行数)chunker=pd.read_csv('ex6.csv',chunksize=1000)print chunker#输出结果如下：# <pandas.io.parsers.TextFileReader object at 0x102ebb5d0> #read_csv所返回的这个TextParser对象使你可以根据chunksize对文件进行逐块迭代。比如说：#我们可以迭代处理ex6.csv,将值计数聚合到"key"列中。tot=Series([])for piece in chunker: tot=tot.add(piece['key'].value_counts(),fill_value=0) #value_counts计算个数，fill_value为空时填充0tot=tot.order(ascending=False) #此版本Series没有有order,可以换成sort_value# tot=tot.sort_value(ascending=False)print tot #报key错误

将数据写到文本格式：

数据也可以被输出为分隔符格式文本

data=pd.read_csv('ex5.csv')#输出结果如下：print data#输出结果如下：# 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 foo

DataFrame的to_csv方法:

（1）数据写入：to_csv,利用DataFrame的to_csv方法，我们可以将数据写到一个以逗号分隔的文件中

print data.to_csv('out.csv')#out.csv的内容如下：# ,something,a,b,c,d,message# 0,one,1,2,3.0,4,# 1,two,5,6,,8,world# 2,three,9,10,11.0,12,foo

（2）当然也可以使用其他分隔符(由于这里直接写到sys.stdout控制台，所以仅仅是打印出文本结果而己)

print data.to_csv(sys.stdout,sep='|')#输出结果如下：# None# |something|a|b|c|d|message# 0|one|1|2|3.0|4|# 1|two|5|6||8|world# 2|three|9|10|11.0|12|foo# None

（3）缺失值在输出结果中会被表示为空字符串，若希望将其表示为别的标记值用na_sep='NULL'

print data.to_csv(sys.stdout,na_rep='NULL')#输出结果如下：# ,something,a,b,c,d,message# 0,one,1,2,3.0,4,NULL# 1,two,5,6,NULL,8,world# 2,three,9,10,11.0,12,foo# None

（4）如果没有设置其它选项，则会写出行和列的标签。当然，它们也都可以被禁用：index=False,header=False

print data.to_csv(sys.stdout,index=False,header=False) #行标签index,列标签header#输出结果如下：# one,1,2,3.0,4,# two,5,6,,8,world# three,9,10,11.0,12,foo# None

（5）还可以只写出一部分的列，并以你指定的顺序排序:index=False,columns=[]

print data.to_csv(sys.stdout,index=False,columns=['a','b','c'])#输出结果如下：# a,b,c# 1,2,3.0# 5,6,# 9,10,11.0# None

Series的to_csv方法：

（1）Series的to_csv方法，将Series写入到.csv文件中

dates=pd.date_range('1/1/2000',periods=7) #date_range可以生成时间序列，periods=7表示可以生成7个时间序列，从2000/1/1开始print dates#输出结果如下：# DatetimeIndex(['2000-01-01', '2000-01-02', '2000-01-03', '2000-01-04',# '2000-01-05', '2000-01-06', '2000-01-07'],# dtype='datetime64[ns]', freq='D')ts=Series(np.arange(7),index=dates) #index行索引用datests.to_csv('tseries.csv')#tseries.csv的内容如下:# 2000-01-01,0# 2000-01-02,1# 2000-01-03,2# 2000-01-04,3# 2000-01-05,4# 2000-01-06,5# 2000-01-07,6

（2）read_csv也可以将csv文件读取为Series(Series.read_csv,而DataFrame则用pd.read_csv),但还有一个更为方更的from_csv方法

print Series.from_csv('tseries.csv',parse_dates=True)#输出结果如下：# 2000-01-01 0# 2000-01-02 1# 2000-01-03 2# 2000-01-04 3# 2000-01-05 4# 2000-01-06 5# 2000-01-07 6# dtype: int64

from_csv和read_csv中参数整理如下：

pandas.read_csv参数整理 读取CSV（逗号分割）文件到DataFrame也支持文件的部分导入和选择迭代更多帮助参见：http://pandas.pydata.org/pandas-docs/stable/io.html参数：filepath_or_buffer : str，pathlib。str, pathlib.Path, py._path.local.LocalPath or any object with a read() method (such as a file handle or StringIO)可以是URL，可用URL类型包括：http, ftp, s3和文件。对于多文件正在准备中本地文件读取实例：://localhost/path/to/table.csv sep : str, default ‘,'指定分隔符。如果不指定参数，则会尝试使用逗号分隔。分隔符长于一个字符并且不是‘\s+',将使用python的语法分析器。并且忽略数据中的逗号。正则表达式例子：'\r\t' delimiter : str, default None定界符，备选分隔符（如果指定该参数，则sep参数失效） delim_whitespace : boolean, default False.指定空格(例如' ‘或者' ‘)是否作为分隔符使用，等效于设定sep='\s+'。如果这个参数设定为Ture那么delimiter 参数失效。在新版本0.18.1支持 header : int or list of ints, default ‘infer'指定行数用来作为列名，数据开始行数。如果文件中没有列名，则默认为0，否则设置为None。如果明确设定header=0 就会替换掉原来存在列名。header参数可以是一个list例如：[0,1,3]，这个list表示将文件中的这些行作为列标题（意味着每一列有多个标题），介于中间的行将被忽略掉（例如本例中的2；本例中的数据1,2,4行将被作为多级标题出现，第3行数据将被丢弃，dataframe的数据从第5行开始。）。注意：如果skip_blank_lines=True 那么header参数忽略注释行和空行，所以header=0表示第一行数据而不是文件的第一行。 names : array-like, default None用于结果的列名列表，如果数据文件中没有列标题行，就需要执行header=None。默认列表中不能出现重复，除非设定参数mangle_dupe_cols=True。 index_col : int or sequence or False, default None用作行索引的列编号或者列名，如果给定一个序列则有多个行索引。如果文件不规则，行尾有分隔符，则可以设定index_col=False 来是的pandas不适用第一列作为行索引。 usecols : array-like, default None返回一个数据子集，该列表中的值必须可以对应到文件中的位置（数字可以对应到指定的列）或者是字符传为文件中的列名。例如：usecols有效参数可能是 [0,1,2]或者是 [‘foo', ‘bar', ‘baz']。使用这个参数可以加快加载速度并降低内存消耗。 as_recarray : boolean, default False不赞成使用：该参数会在未来版本移除。请使用pd.read_csv(...).to_records()替代。返回一个Numpy的recarray来替代DataFrame。如果该参数设定为True。将会优先squeeze参数使用。并且行索引将不再可用，索引列也将被忽略。 squeeze : boolean, default False如果文件值包含一列，则返回一个Series prefix : str, default None在没有列标题时，给列添加前缀。例如：添加‘X' 成为 X0, X1, ... mangle_dupe_cols : boolean, default True重复的列，将‘X'...'X'表示为‘X.0'...'X.N'。如果设定为false则会将所有重名列覆盖。 dtype : Type name or dict of column -> type, default None每列数据的数据类型。例如 {‘a': np.float64, ‘b': np.int32} engine : {‘c', ‘python'}, optionalParser engine to use. The C engine is faster while the python engine is currently more feature-complete.使用的分析引擎。可以选择C或者是python。C引擎快但是Python引擎功能更加完备。 converters : dict, default None列转换函数的字典。key可以是列名或者列的序号。 true_values : list, default NoneValues to consider as True false_values : list, default NoneValues to consider as False skipinitialspace : boolean, default False忽略分隔符后的空白（默认为False，即不忽略）. skiprows : list-like or integer, default None需要忽略的行数（从文件开始处算起），或需要跳过的行号列表（从0开始）。 skipfooter : int, default 0从文件尾部开始忽略。 (c引擎不支持) skip_footer : int, default 0不推荐使用：建议使用skipfooter ，功能一样。 nrows : int, default None需要读取的行数（从文件头开始算起）。 na_values : scalar, str, list-like, or dict, default None一组用于替换NA/NaN的值。如果传参，需要制定特定列的空值。默认为‘1.#IND', ‘1.#QNAN', ‘N/A', ‘NA', ‘NULL', ‘NaN', ‘nan'`. keep_default_na : bool, default True如果指定na_values参数，并且keep_default_na=False，那么默认的NaN将被覆盖，否则添加。 na_filter : boolean, default True是否检查丢失值（空字符串或者是空值）。对于大文件来说数据集中没有空值，设定na_filter=False可以提升读取速度。 verbose : boolean, default False是否打印各种解析器的输出信息，例如：“非数值列中缺失值的数量”等。 skip_blank_lines : boolean, default True如果为True，则跳过空行；否则记为NaN。 parse_dates : boolean or list of ints or names or list of lists or dict, default Falseboolean. True -> 解析索引list of ints or names. e.g. If [1, 2, 3] -> 解析1,2,3列的值作为独立的日期列；list of lists. e.g. If [[1, 3]] -> 合并1,3列作为一个日期列使用dict, e.g. {‘foo' : [1, 3]} -> 将1,3列合并，并给合并后的列起名为"foo" infer_datetime_format : boolean, default False如果设定为True并且parse_dates 可用，那么pandas将尝试转换为日期类型，如果可以转换，转换方法并解析。在某些情况下会快5~10倍。 keep_date_col : boolean, default False如果连接多列解析日期，则保持参与连接的列。默认为False。 date_parser : function, default None用于解析日期的函数，默认使用dateutil.parser.parser来做转换。Pandas尝试使用三种不同的方式解析，如果遇到问题则使用下一种方式。1.使用一个或者多个arrays（由parse_dates指定）作为参数；2.连接指定多列字符串作为一个列作为参数；3.每行调用一次date_parser函数来解析一个或者多个字符串（由parse_dates指定）作为参数。 dayfirst : boolean, default FalseDD/MM格式的日期类型 iterator : boolean, default False返回一个TextFileReader 对象，以便逐块处理文件。 chunksize : int, default None文件块的大小， See IO Tools docs for more informationon iterator and chunksize. compression : {‘infer', ‘gzip', ‘bz2', ‘zip', ‘xz', None}, default ‘infer'直接使用磁盘上的压缩文件。如果使用infer参数，则使用 gzip, bz2, zip或者解压文件名中以‘.gz', ‘.bz2', ‘.zip', or ‘xz'这些为后缀的文件，否则不解压。如果使用zip，那么ZIP包中国必须只包含一个文件。设置为None则不解压。新版本0.18.1版本支持zip和xz解压 thousands : str, default None千分位分割符，如“，”或者“." decimal : str, default ‘.'字符中的小数点 (例如：欧洲数据使用'，‘). float_precision : string, default NoneSpecifies which converter the C engine should use for floating-point values. The options are None for the ordinary converter, high for the high-precision converter, and round_trip for the round-trip converter.指定 lineterminator : str (length 1), default None行分割符，只在C解析器下使用。 quotechar : str (length 1), optional引号，用作标识开始和解释的字符，引号内的分割符将被忽略。 quoting : int or csv.QUOTE_* instance, default 0控制csv中的引号常量。可选 QUOTE_MINIMAL (0), QUOTE_ALL (1), QUOTE_NONNUMERIC (2) or QUOTE_NONE (3) doublequote : boolean, default True双引号，当单引号已经被定义，并且quoting 参数不是QUOTE_NONE的时候，使用双引号表示引号内的元素作为一个元素使用。 escapechar : str (length 1), default None当quoting 为QUOTE_NONE时，指定一个字符使的不受分隔符限值。 comment : str, default None标识着多余的行不被解析。如果该字符出现在行首，这一行将被全部忽略。这个参数只能是一个字符，空行（就像skip_blank_lines=True）注释行被header和skiprows忽略一样。例如如果指定comment='#' 解析‘#empty\na,b,c\n1,2,3' 以header=0 那么返回结果将是以'a,b,c'作为header。 encoding : str, default None指定字符集类型，通常指定为'utf-8'. List of Python standard encodings dialect : str or csv.Dialect instance, default None如果没有指定特定的语言，如果sep大于一个字符则忽略。具体查看csv.Dialect 文档 tupleize_cols : boolean, default FalseLeave a list of tuples on columns as is (default is to convert to a Multi Index on the columns) error_bad_lines : boolean, default True如果一行包含太多的列，那么默认不会返回DataFrame ，如果设置成false，那么会将改行剔除（只能在C解析器下使用）。 warn_bad_lines : boolean, default True如果error_bad_lines =False，并且warn_bad_lines =True 那么所有的“bad lines”将会被输出（只能在C解析器下使用）。 low_memory : boolean, default True分块加载到内存，再低内存消耗中解析。但是可能出现类型混淆。确保类型不被混淆需要设置为False。或者使用dtype 参数指定类型。注意使用chunksize 或者iterator 参数分块读入会将整个文件读入到一个Dataframe，而忽略类型（只能在C解析器中有效） buffer_lines : int, default None不推荐使用，这个参数将会在未来版本移除，因为他的值在解析器中不推荐使用 compact_ints : boolean, default False不推荐使用，这个参数将会在未来版本移除如果设置compact_ints=True ，那么任何有整数类型构成的列将被按照最小的整数类型存储，是否有符号将取决于use_unsigned 参数 use_unsigned : boolean, default False不推荐使用：这个参数将会在未来版本移除如果整数列被压缩(i.e. compact_ints=True)，指定被压缩的列是有符号还是无符号的。memory_map : boolean, default False如果使用的文件在内存内，那么直接map文件使用。使用这种方式可以避免文件再次进行IO操作。

手工处理分隔符格式：csv python内置函数使用

大部分存储在磁盘上的表格型数据都能用pandas.read_table进行加载。然而有进还是需要手工处理。

由于接收到含有畸形行的文件而使read_table出毛病的情况并不少见。

对于任何单字符分隔符文件，可以直接使用python内置的csv模块。将任意己打开的文件或文件型的对象传给csv.reader

import csvf=open('ex7.csv')reader=csv.reader(f)print reader#输出结果是一个对象：<_csv.reader object at 0x10d7c7600>for line in reader: print line#对这个reader进行迭代将会为每行产生一个元组#输出结果如下：# ['a', 'b', 'c']# ['1', '2', '3']# ['1', '2', '3', '4']

为了使数据格式合乎要求，你需要对其做些调整

lines=list(csv.reader(open('ex7.csv')))print lines#输出结果如下：# [['a', 'b', 'c'], ['1', '2', '3'], ['1', '2', '3', '4']]print lines[0],lines[1]header,values=lines[0],lines[1:]print zip(*values) #zip(iterable),将对象中对应的元素打包成一个个元组。a=[1,2,3] b=[2,4,5] zip(a,b)=[(1,2),(2,4),(3,5)]#输出结果如下：# [('1', '1'), ('2', '2'), ('3', '3')]data_dict={h:v for h, v in zip(header,zip(*values))}print data_dict#输出结果如下：结果得到的是列表，不是元组# {'a': ('1', '1'), 'c': ('3', '3'), 'b': ('2', '2')}

CSV文件的形式有很多。只需定义csv.Dialect的一个子类即可定义出新格式(如专门的分隔符、字符串引用约定、行结束符等)

class my_dialect(csv.Dialect): lineterminator = '\n' delimiter = ';' quotechar = '"' quoting = 0reader=csv.reader(f,dialect=my_dialect)print reader#输出结果如下：# <_csv.reader object at 0x10628a6e0>with open('mydata.csv','w')as f: writer=csv.writer(f,dialect=my_dialect) writer.writerow(('one','two','three')) writer.writerow(('1','2','3')) writer.writerow(('1', '2', '3'))#打开mydata.csv内容如下：# one;two;three# 1;2;3# 1;2;3

各个csv语句的参数也可以用关键字的形式提供给csv.reader,无需定义子类：

reader=csv.reader(f,delimiter='|')

csv.writer用于手工输出分隔符文件，它接受一个己打开且可写的文件对象以及跟csv.reader相同的那些语句和选项：

#csv.writer先创建一个write对象，然后用writerow写入,可以一行行写入，也可以字典写入headers = ['Symbol', 'Price', 'Date', 'Time', 'Change', 'Volume']rows = [{'Symbol':'AA', 'Price':39.48, 'Date':'6/11/2007', 'Time':'9:36am', 'Change':-0.18, 'Volume':181800}, {'Symbol':'AIG', 'Price': 71.38, 'Date':'6/11/2007', 'Time':'9:36am', 'Change':-0.15, 'Volume': 195500}, {'Symbol':'AXP', 'Price': 62.58, 'Date':'6/11/2007', 'Time':'9:36am', 'Change':-0.46, 'Volume': 935000}, ]with open('stock.csv','w') as f: writer=csv.DictWriter(f,headers) writer.writeheader() writer.writerows(rows)#stock.csv的结果如下：# Symbol,Price,Date,Time,Change,Volume# AA,39.48,6/11/2007,9:36am,-0.18,181800# AIG,71.38,6/11/2007,9:36am,-0.15,195500# AXP,62.58,6/11/2007,9:36am,-0.46,935000

csv产生的数据都是字符串类型的，它不会做任何其它类型的转换，如果你需要做这样的类型转换，必须自己手动去实现：

#下面是一个在csv数据上执行其他类型转换的例子：col_types=[str,float,str,str,float,int]with open('stock.csv') as f: f_csv=csv.reader(f) headers=next(f_csv) print headers #输出结果如下 # ['Symbol', 'Price', 'Date', 'Time', 'Change', 'Volume'] for row in f_csv: rows=tuple(convert(value) for convert,value in zip(col_types,row)) print rows#输出结果如下：# ('AA', 39.48, '6/11/2007', '9:36am', -0.18, 181800)# ('AIG', 71.38, '6/11/2007', '9:36am', -0.15, 195500)# ('AXP', 62.58, '6/11/2007', '9:36am', -0.46, 935000)#下面是一个转换字典中特定字段的例子：field_types = [ ('Price', float), ('Change', float), ('Volume', int) ]with open('stock.csv') as f: for row in csv.DictReader(f): #row指的是每一行 print row row.update((key,coversion(row[key])) for key,coversion in field_types) #key:price conversion：float,row.update(key)如果key在row中找到，则conversion(row[key])的值, # row[key]是指这个key的value值 print row#输出如下：第一行是第一个print row输出，下面一个才是转换后的print row的输出# {'Symbol': 'AA', 'Volume': '181800', 'Time': '9:36am', 'Date': '6/11/2007', 'Price': '39.48', 'Change': '-0.18'}# {'Symbol': 'AA', 'Volume': 181800, 'Time': '9:36am', 'Date': '6/11/2007', 'Price': 39.48, 'Change': -0.18}

csv 参数选项如下：

参数 说明delimiter 用于分隔字段的单字符字符串。默认为“，”lineterminator 用于写操作的行结束符，默认为“\r\n”quotechar 用于带有特殊字符(如分隔符)的字段的引用符号。默认为“"”quoting 引用约定。可选值包括csv.quote_all(引用所有字段)， csv.quote_minimal(只引用带有诸如分隔符之类特殊字符的字段)默认为quote_minimalskipinitialspace 忽略分隔符后面的空白符。默认Falsedoublequote 如何处理字段内的引用符号。如果为True,则双写。escapechar 用于对分隔符进行转义的字符串。默认禁用

总结：

（1）对于那些使用复杂分隔符或多字符分隔符的文件，csv模块就无能为力了。在这种情况下，就只能用字符串split方法或正则表达式方法re.split进行拆分和其它整理工作了。

（2）最后，如果你读取CSV数据的目的是做数据分析和统计的话，你可能需要看一看 Pandas 包。Pandas 包含了一个非常方便的函数叫 pandas.read_csv() ，它可以加载CSV数据到一个 DataFrame 对象中去。 然后利用这个对象你就可以生成各种形式的统计、过滤数据以及执行其他高级操作了

json格式的读取与写入：

通过json.loads可将json字符串转换成python形式,即从磁盘中读取

import pandas as pdimport numpy as npfrom pandas import Series,DataFrameimport sysimport jsonobj="""{"name":"Wes","places_lived":["United States","Spain","Germany"],"pet":null,"siblings":[{"name":"Scott","age":25,"pet":"Zuko"}, {"name":"Katie","age":33,"pet":"Cisco"}] }"""result=json.loads(obj)print result#输出结果如下：{u'pet': None, u'siblings': [{u'pet': u'Zuko', u'age': 25, u'name': u'Scott'}, {u'pet': u'Cisco', u'age': 33, u'name': u'Katie'}], u'name': u'Wes', u'places_lived': [u'United States', u'Spain', u'Germany']}

相反json.dumps则将python对象转换成JSON格式。即写入

asjson=json.dumps(result)print asjson #输出结果与上面的result一样的json格式

将(一个或一组)json对象转换为DataFrame或其它便于分析的数据结构就由你决定了。

最简单方便的方式是：向DataFrame构造器传入一组Json对象，并选取数据字段的子集(即可以选一部分字段，也可以全部选定)

siblings=DataFrame(result['siblings'],columns=['name','age']) #选取result中的'siblings',列选取name,age两列print siblings#输出的结果如下：# name age# 0 Scott 25# 1 Katie 33

XML和HTML:Web信息收集

python有许多可以读写HTML和xml格式数据的库。lxml就是其中之一，它可以高效地解析大件。

lxml有多个编程接口。首先我们要用lxml.html处理HTML,然后再用lxml.objectify做一些XML处理。

HTML文件处理：

许多网站都将数据放到HTML表格中以便在浏览器中查看，但不能以一种更易于机器阅读的格式(如Json、HTML或XML)进行下载

（1）首先，找到你希望获取数据的URL,利用urllib2将其打开，然后用lxml解析得到的数据流。

import pandas as pdimport numpy as npfrom pandas import Series,DataFrameimport sysimport json from urllib2 import urlopenfrom lxml.html import parsefrom lxml import objectifyparsed=parse(urlopen('http://finance.yahoo.com/q/op?s=AAPL+Options'))doc=parsed.getroot() #通过这个对象可以获取特定类型的所有HTML标签(tag)#获取HTML中的链接是a标签的，可使用findall方法links=doc.findall('.//a') #得到所有a标签的对象，以列表形式显示print links[15:20]#输出结果如下：输出的是Html元素对象# [<Element a at 0x1085206d8>,# <Element a at 0x108520730>,# <Element a at 0x108520788>,# <Element a at 0x1085207e0>,# <Element a at 0x108520838>]

（2）要得到URL和链接文本，必须使用各对象的get方法(针对URL)和text_content方法(针对显示文本)

lnk=links[15]print lnk #显示的是下标为28的a标签的元素对象print lnk.get('href') #用get方法得到以"href"的URL#输出结果如下：/quote/AAPL180601P00145000?p=AAPL180601P00145000print lnk.text_content()#输出结果如下：AAPL180601P00145000#使用下面这条列表推导式可获取文档中的全部URLurls=[lnk.get('href') for lnk in doc.findall('.//a')]print urls#输出结果如下：# ['https://finance.yahoo.com/', '#Navigation', '#market-summary', '#Main', '#Aside',# 'https://mail.yahoo.com/?.intl=us&.lang=en-US&.partner=none&.src=finance', '/quote/AAPL?p=AAPL',# '/quote/AAPL/key-statistics?p=AAPL', '/quote/AAPL/profile?p=AAPL', '/quote/AAPL/financials?p=AAPL',]

（3）表格：从文档中找出正确表格，有些网站会给目标表格加上一个id属性。下面是两个分别放置看涨数据和跌数据的表格。

每个表格都有标题行。tr是表格中的行，th表头单元格，td数据单元格

tables=doc.findall('.//table')print tables#输出结果如下：是表格对象# [<Element table at 0x10f1a09f0>, <Element table at 0x10f1a0a48>]calls=tables[0]print calls #输出的是对象 #每个表格都有标题行。tr是表格中的行，th表头单元格，td数据单元格#先取出标题行rows=calls.findall('.//tr')print rows #输出结果：也是行的元素对象如<Element tr at 0x108bffaa0>#写一个函数：可以根据传入的参数得到相关表格中的数据def _unpack(row,kind='td'): elts=row.findall('.//%s' % kind) return [val.text_content() for val in elts]print _unpack(rows[1]) #取数据单元格中的数据值#输出结果如下：取rows[1]即第2行的数据# ['AAPL180608C00130000', '2018-05-04 11:45PM EDT', '130.00', '36.90', '53.40', '54.70', '0.00', '-', '1', '1', '0.00%']print _unpack(rows[1],kind='th') #取表头单元格的值，即列的标题#输出结果：['Strike','Symbol','Last','Chg','Bid','Ask']

(4)把所有步骤结合起来，将数据转换为一个DataFrame。由于数值型数据仍然是字符串格式，所以我们希望将部分弄转换为浮点数格式。

虽然可以手工实现该功能，但是pandas就有一个TextParser类可以自动类型转换(read_csv和其它解析函数其实在内部都用到了它)

from pandas.io.parsers import TextParserdef parse_option_data(table): rows=table.findall('.//tr') header=_unpack(rows[0],kind='th') data=[_unpack(r) for r in rows[1:]] return TextParser(data,names=header).get_chunk() aa=parse_option_data(table=tables)print DataFrame(aa)

利用lxml.objectify解析xml： 可具体看另一篇专门介绍xml解析文件

aa.xml的内容如下：

<?xml version="1.0" ?><zAppointments reminder="15"> <appointment> <begin>1181251680</begin> <uid>040000008200E000</uid> <alarmTime>1181572063</alarmTime> <state></state> <location></location> <duration>1800</duration> <subject>Bring pizza home</subject> </appointment> <appointment> <begin>1234360800</begin> <duration>1800</duration> <subject>Check MS Office website for updates</subject> <location></location> <uid>604f4792-eb89-478b-a14f-dd34d3cc6c21-1234360800</uid> <state>dismissed</state> </appointment></zAppointments>def parseXML(xmlFile): """ Parse the xml :param xmlFile: :return: """ f=open(xmlFile) #1.先打开文件 xml=f.read() #2.读取文件内容 f.close() tree=etree.parse(StringIO(xml)) #3.用etree.parse解析xml文件的树结构 context=etree.iterparse(StringIO(xml)) #4.etree.iterparse迭代解析xml文件的内容 for action,elem in context: if not elem.text: text="None" else: text=elem.text print elem.tag+"=>"+textif __name__=="__main__": parseXML("aa.xml")def parseXML(xmlFile): """ Parse the xml :param xmlFile: :return: """ f=open(xmlFile) xml=f.read() f.close() tree=etree.parse(StringIO(xml)) context=etree.iterparse(StringIO(xml)) for action,elem in context: if not elem.text: text="None" else: text=elem.text print elem.tag+"=>"+textif __name__=="__main__": parseXML("aa.xml")#输出结果如下：# begin = > 1181251680# uid = > 040000008200E000# alarmTime = > 1181572063# state = > None# location = > None# duration = > 1800# subject = > Bring# pizza# home# appointment = ># # begin = > 1234360800# duration = > 1800# subject = > Check# MS# Office# website# for updates# location = > None# uid = > 604# f4792 - eb89 - 478# b - a14f - dd34d3cc6c21 - 1234360800# state = > dismissed# appointment = ># # zAppointments = >

2.二进制数据格式：写入与读取

（1）使用python内置的pickle序列化读取和存储数据

实现数据的二进制格式存储最简单的办法之一是使用python内置的pickle序列化。

为了使用方便，pandas对象都有一个用于将数据以pickle形式保存到磁盘上的to_pickle方法。

相反，从磁盘上读取read_pickle。

import pandas as pdimport numpy as npfrom pandas import Series,DataFrame #二进制数据格式保存frame=pd.read_csv('ex1.csv')print frame#输出结果如下：# a b c d message# 0 1 2 3 4 hello# 1 5 6 7 8 world# 2 9 10 11 12 foo （1）可用to_pickle保存到磁盘frame.to_pickle('frame_pickle') (2）还有一个也很好用的pickle函数pandas.load将数据读回到python,load也没有了，现在是read_pickle读取数据# pd.load('frame_pickle') #load已经不能用了，现在是read_pickleprint pd.read_pickle('frame_pickle')

警告：pickle仅建议用于短期存储格式。其原因是很难保证格式永远是稳定的。

今天的pickle的对象无法被后续版本的库unpickle出来。

（2）使用HDF5格式实现高效读写磁盘上以二进制格式存储的科学数据。

HDF5支持多种压缩器的即时压缩，能更高效地存储重复模式数据，对于那些非常大的无法直接放入内存的数据集，

HDF5就是不错的选择，因为它可以高效地分块读写。

python中的HDF5库有两个接口(即PyTables和h5py),h5py提供了一种直接而高级的HDF5 API访问接口，

而PyTables则抽象了HDF5的许多细节以提供多种灵活的数据容器、表索引、查询功能以及对核外计算技术的某些支持。

import pandas as pdimport numpy as npfrom pandas import Series,DataFrameimport matplotlib.pyplot as pltimport tables #二进制数据格式保存frame=pd.read_csv('ex1.csv')print frame#输出结果如下：# a b c d message# 0 1 2 3 4 hello# 1 5 6 7 8 world# 2 9 10 11 12 foo #两个函数用于生成数据random_state = np.random.RandomState(1999) def make_random_cluster_points(n_samples, random_state=random_state): mu_options = np.array([(-1, -1), (1, 1), (1, -1), (-1, 1)]) sigma = 0.2 mu_choices = random_state.randint(0, len(mu_options), size=n_samples) means = mu_options[mu_choices] return means + np.random.randn(n_samples, 2) * sigma, mu_choices def plot_clusters(data, clusters, name): plt.figure() colors = ["#9b59b6", "#3498db", "#e74c3c", "#2ecc71"] for i in np.unique(clusters): plt.scatter(data[clusters==i, 0], data[clusters==i, 1], color=colors[i]) plt.axis('off') plt.title('Plot from %s' % name) #（1）数据写入到磁盘:open_file(文件名,'w'),create_array()data, clusters = make_random_cluster_points(10000)plot_clusters(data, clusters, "data in memory")# plt.show() #画图展示#PyTables存储数据到磁盘sample_data,sample_clusters=make_random_cluster_points(10000) #调用函数生成数据hdf5_path="my_data.hdf5" #写入的文件名hdf5_file=tables.open_file(hdf5_path,mode='w')data_storage=hdf5_file.create_array(hdf5_file.root,'data',sample_data)#hdf5_file.root即"/",data为创建array文件名相当于"/data",data里存储的是sample_data的数据.data像文件名clusters_storage=hdf5_file.create_array(hdf5_file.root,'clusters',sample_clusters)hdf5_file.close() #（2）数据的读取:open_file(文件名,'r'),hdf5_file.root.data[:]hdf5_path="my_data.hdf5"read_hdf5_file=tables.open_file(hdf5_path,mode='r')hdf5_data=read_hdf5_file.root.data[:] #读取read_hdf5_file根目录下的数据名称为data的全部数据hdf5_clusters=read_hdf5_file.root.clusters[:] #读取read_hdf5_file根目录下的数据名称为clusters的全部数据read_hdf5_file.close() plot_clusters(hdf5_data,hdf5_clusters,"PyTables Array")plt.show()

注意：HDF5不是数据库。它最适合用作”一次写多次读“的数据集。虽然数据可以在任何时候被添加到文件中，

但如果同时发生多个写操作，文件就可能会被破坏。

（3）读取Microsoft Excel文件

pandas的ExcelFile类文件读取存储在Excel中表格型数据。由于ExcelFile用到了（python读取excel表格的包）xlrd和openpyxl包，所以先得安装它们才行。

# 读取excel文件：xls_file=pd.ExcelFile('data.xls')#存放在某个工作表中的数据可以通过parse读取到DataFrame中table=xls_file.parse('Sheet1')

3.使用HTML和Web API：request包中的get来读取数据

import pandas as pdimport numpy as npfrom pandas import Series,DataFrameimport matplotlib.pyplot as pltimport tables import requestsimport json # url='https://twitter.com/search?q=python+pandas'url='https://twitter.com/search?q=python%20pandas&src=typd'resp=requests.get(url)print resp.text data=json.loads(resp.text) #将resp转化成json格式print dataprint data.keys() #用一个列表定义出感兴趣的tweet字段，然后将results列表传给DataFrame:tweet_fields=['created_at','from_user','id','text']tweets=DataFrame(data['result'],columns=tweet_fields)print tweets.ix[7]

4.使用数据库

sqlite3数据库：读取数据库数据

import pandas as pdimport numpy as npfrom pandas import Series,DataFrameimport matplotlib.pyplot as pltimport tables import requestsimport jsonimport sqlite3 （1）数据连接query="""CREATE TABLE test(a VARCHAR (20),b VARCHAR (20),c REAL, d INTEGER ); """con=sqlite3.connect(':memory:')con.execute(query)con.commit() （2）插入数据data=[('Atlanta','Georgia',1.25,6), ('Tallahassee','Florida',2.6,3), ('Sacramento','California',1.7,5)]stmt='INSERT INTO test VALUES(?,?,?,?)'con.executemany(stmt,data)con.commit()#查询数据，即读取数据库数据cursor=con.execute('select * from test')rows=cursor.fetchall()print rows#输出结果如下：sqlite3取出的是列表[(u'Atlanta', u'Georgia', 1.25, 6), (u'Tallahassee', u'Florida', 2.6, 3), (u'Sacramento', u'California', 1.7, 5)] （3）可以将这个元组列表传给DataFrame的构造器，但还需要列名(位于游标的description属性中)print cursor.description#输出结果如下：(('a', None, None, None, None, None, None), ('b', None, None, None, None, None, None), ('c', None, None, None, None, None, None), ('d', None, None, None, None, None, None))（4）转换为DataFrameresult=DataFrame(rows,columns=zip(*cursor.description)[0])print result#输出结果如下：# a b c d# 0 Atlanta Georgia 1.25 6# 1 Tallahassee Florida 2.60 3# 2 Sacramento California 1.70 5 （5）上面的方法每查一次就得写一次，pandas有一个可以简化该过程的read_sql函数(位于pandas.io.sql模块)。# 只需传入select语句和连接对象即可。import pandas.io.sql as sql# print sql.read_sql('select * from test',con)#或者直接用pd.read_sql不用先引入sql也一样的df= pd.read_sql('select * from test',con)#输出结果如下：# a b c d# 0 Atlanta Georgia 1.25 6# 1 Tallahassee Florida 2.60 3# 2 Sacramento California 1.70 5aa=DataFrame(df)print aa

mysql数据库：读取数据库数据

#读取mysql中的数据import pymysqlimport configparserconfig =configparser(1)连接数据库db=pymysql.connect("localhost","root", "root","imooc")cursor=db.cursor() #使用游标创建一个游标对象 （2）使用execute()方法执行sql查询cursor.execute("select * from test1")data=cursor.fetchall()print data#输出结果如下：4条数据，mysql取出的形式是元组# ((1, 'tang seng', 79, 'xi tian qu jing', '11783213,131313133,78271783918'),# (2, 'zhu ba jie', 61, 'xi tian qu jing', '787138912,83918933'),# (3, 'sun wu kong', 91, 'ji tian da sheng', '1378219389,17898932183,1841898344,1989839898'),# (4, 'sha seng', 71, 'xi tian qu jing', '1649281938,15089328109'))#（3）列名信息在cursor.description中，及列的其它信息也在print cursor.description ##查看结果如下：# ((u'id', 3, None, 11, 11, 0, 0),# (u'user_name', 253, None, 20, 20, 0, 1),# (u'score', 3, None, 2, 2, 0, 1),# (u'over', 253, None, 40, 40, 0, 1),# (u'mobile', 253, None, 100, 100, 0, 1))print type(zip(*cursor.description)[0])（4）将data放入DataFrame中，pandas必须是list才可以转化为DataFrame,而此处的Data是元组，故先转化为list才可以用result=DataFrame(list(data),columns=zip(*cursor.description)[0])print result#输出结果如下：# id user_name score over \# 0 1 tang seng 79 xi tian qu jing# 1 2 zhu ba jie 61 xi tian qu jing# 2 3 sun wu kong 91 ji tian da sheng# 3 4 sha seng 71 xi tian qu jing## mobile# 0 11783213,131313133,78271783918# 1 787138912,83918933# 2 1378219389,17898932183,1841898344,1989839898# 3 1649281938,15089328109 （5）可以用read_sql一次性获取：import pandas.io.sql as sqlresult=sql.read_sql('select * from test1',db)print result#输出结果如下：# id user_name score over \# 0 1 tang seng 79 xi tian qu jing# 1 2 zhu ba jie 61 xi tian qu jing# 2 3 sun wu kong 91 ji tian da sheng# 3 4 sha seng 71 xi tian qu jing## mobile# 0 11783213,131313133,78271783918# 1 787138912,83918933# 2 1378219389,17898932183,1841898344,1989839898# 3 1649281938,15089328109db.close()

注意：(1)DataFrame接受转换的是list形式：sqlit3用fetchall取出的是列表，所以可以直接放在DataFrame中，而mysql取出来的是元组，故要先转化成list.

mongoDB数据库：读取数据库数据

NoSQL数据库有许多不同的形式。有些是简单的字典式键值对存储，另一些则是基于文档的(其中的基本单元是字典型的对象)。

from pandas import Series,DataFrameimport pymongoimport datetime # import configparser# config =configparser (1)mongodb数据库的连接con=pymongo.MongoClient('localhost',port=27017)（2）创建数据库# tweets=con.test_database (3)创建集合：一组文件存储在mongodb中，相当于数据库的各个表# collection=tweets.test_collectionpost = {"author": "Mike", "text": "My first blog post!", "tags": ["mongodb", "python", "pymongo"], "date": datetime.datetime.utcnow()}(4)插入文件posts=tweets.postspost_id=posts.insert_one(post).inserted_id（5）查询相关的数据import pprintpprint.pprint(posts.find_one({"author":"Mike"}))(6)字典放入DataFrame中p=DataFrame(post,columns=post.keys())print p

以上这篇