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.csv
a,b,c,d,message
1,2,3,4,hello
5,6,7,8,world
9,10,11,12,foo
In [18]: import pandas as pd
In [19]: df = pd.read_csv('ex1.csv')
In [20]: df
Out[20]:
a b c d message
0 1 2 3 4 hello
1 5 6 7 8 world
2 9 10 11 12 foo
In [21]: pd.read_table('ex1.csv', sep=',')
Out[21]:
a b c d message
0 1 2 3 4 hello
1 5 6 7 8 world
2 9 10 11 12 foo
- 对于没有标题行的文件
In [25]: !cat ex2.csv
1,2,3,4,hello
5,6,7,8,world
9,10,11,12,foo
In [26]: pd.read_csv('ex2.csv', header = None)
Out[26]:
0 1 2 3 4
0 1 2 3 4 hello
1 5 6 7 8 world
2 9 10 11 12 foo
In [27]: pd.read_csv('ex2.csv', names = ['a','b','c','d','message'])
Out[27]:
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 d
message
hello 1 2 3 4
world 5 6 7 8
foo 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]: parsed
Out[32]:
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
- 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 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
In [10]: result = pd.read_table('ex3.txt', sep='\s+')
In [11]: result
Out[11]:
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
- 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]: result
Out[23]:
something a b c d message
0 one 1 2 3 4 NaN
1 two 5 6 NaN 8 world
2 three 9 10 11 12 foo
In [24]: result = pd.read_csv('ex5.csv', na_values=['10','11','12'])
In [25]: result
Out[25]:
something a b c d message
0 one 1 2 3 4 NaN
1 two 5 6 NaN 8 world
2 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]: chunker
Out[28]: <pandas.io.parsers.TextFileReader at 0x7f4a0c369e90>
- 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-8
import pandas as pd
chunker = 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 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
In [38]: run ex6.py
In [39]: result[:10]
Out[39]:
E 368
X 364
L 346
O 343
Q 340
M 338
J 337
F 335
K 334
H 330
dtype: 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]: data
Out[21]:
something a b c d message
0 one 1 2 3 4 NaN
1 two 5 6 NaN 8 world
2 three 9 10 11 12 foo
In [22]: data.to_csv('out.csv')
In [23]: !cat out.csv
,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
In [24]: data.to_csv('out.csv',sep='|')
In [25]: !cat out.csv
|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
In [27]: data.to_csv('out.csv',sep='|',na_rep='null')
In [28]: !cat out.csv
|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
- 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.csv
a,b,c
1,2,3.0
5,6,null
9,10,11.0
- Series 的 to_csv 方法
In [44]: dates = pd.date_range('1/1/2000',periods=10)
In [45]: dates
Out[45]:
<class 'pandas.tseries.index.DatetimeIndex'>
[2000-01-01, ..., 2000-01-10]
Length: 10, Freq: D, Timezone: None
In [47]: ts = pd.Series(np.arange(10),index=dates)
In [48]: ts.to_csv('tseries.csv')
In [49]: !cat tseries.csv
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
2000-01-08,7
2000-01-09,8
2000-01-10,9
- Series 的 from_csv 方法
In [50]: data = pd.read_csv('tseries.csv')
In [51]: data
Out[51]:
2000-01-01 0
0 2000-01-02 1
1 2000-01-03 2
2 2000-01-04 3
3 2000-01-05 4
4 2000-01-06 5
5 2000-01-07 6
6 2000-01-08 7
7 2000-01-09 8
8 2000-01-10 9
In [52]: data = pd.Series.from_csv('tseries.csv')
In [53]: data
Out[53]:
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
2000-01-08 7
2000-01-09 8
2000-01-10 9
dtype: int64
3.JSON数据
- json:一种数据传输的标准格式(http请求在web浏览器和各个应用程序之间)
- 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 json
In [56]: result = json.loads(obj)
In [57]: result
Out[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]: musicians
Out[60]:
firstName lastName
0 Eric Clapton
1 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 parse
In [63]: from urllib2 import urlopen
In [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]:
[<Element a at 0x7fac8955c3c0>,
<Element a at 0x7fac8955c418>,
<Element a at 0x7fac8955c470>,
<Element a at 0x7fac8955c4c8>,
<Element a at 0x7fac8955c520>,
<Element a at 0x7fac8955c578>,
<Element a at 0x7fac8955c5d0>,
<Element a at 0x7fac8955c628>,
<Element a at 0x7fac8955c680>,
<Element a at 0x7fac8955c6d8>]
In [68]: lnk = links[28]
In [69]: lnk
Out[69]: <Element a at 0x7fac8955c9f0>
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) ...
- 发送一个http get请求
- 将GET请求返回的内容加载到一个python 对象中
- 响应的结果中有一组python字典
- 截取字段,然后创建DataFrame
- 该DataFrame 中每一行字都是一条来自tweet的数据
- 如果想能够直接得到便于分析的DataFrame对象,只需再多费些精力创建出对常见web API的更高级接口即可