Python数据科学包（五）-----载入数据和时间序列

一. 载入数据到Pandas

• 索引：将一个列或多个列读取出来构成 DataFrame，其中涉及是否从文件中读取索引以及列名
• 类型推断和数据转换：包括用户自定义的转换以及缺失值标记
• 日期解析
• 迭代：针对大文件进行逐块迭代。这个是Pandas和Python原生的csv库的最大区别
• 不规整数据问题：跳过一些行，或注释等等

索引及列名

df = pd.read_csv('data/ex1.csv')
df = pd.read_csv('data/ex1.csv', sep=',')
##列名缺失
pd.read_csv('data/ex2.csv', header=None)
# 指定列名
pd.read_csv('data/ex2.csv', header=None, names=['a', 'b', 'c', 'd', 'msg'])
# 指定行索引
pd.read_csv('data/ex2.csv', header=None, names=['a', 'b', 'c', 'd', 'msg'], index_col='msg')
# 多层行索引
pd.read_csv('data/ex2.csv', header=None, names=['a', 'b', 'c', 'd', 'msg'], index_col=['msg', 'a'])

处理不规则的分隔符

# 正则表达式
pd.read_table('data/ex3.csv', sep='\s+')

缺失值处理

pd.read_csv('data/ex5.csv', na_values=['NA', 'NULL', 'foo'])
pd.read_csv('data/ex5.csv', na_values={
   'message': ['foo', 'NA'], 'something': ['two']})

逐块读取数据

pd.read_csv('data/ex6.csv', nrows=10)
# 统计每个 key 出现的次数
tr = pd.read_csv('data/ex6.csv', chunksize=1000)

key_count = pd.Series([])
for pieces in tr:
    key_count = key_count.add(pieces['key'].value_counts(), fill_value=0)
key_count = key_count.sort_values(ascending=False)
key_count[:10]

保存数据到磁盘

df = pd.read_csv('data/ex5.csv')
df.to_csv('data/ex5_out.csv'