import pandas as pd
import numpy as np
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
%more data/ex1.csv
df = pd.read_csv('data/ex1.csv')
#读取csv文件
df = pd.read_csv('data/ex1.csv', sep=',')
#设置是以,为分隔符
%more data/ex2.csv
# 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
%more data/ex3.csv
# 正则表达式
pd.read_table('data/ex3.csv', sep='\s+')
# pd.read_table('data/ex3.csv', sep=' ')
# pd.read_csv('data/ex3.csv')
#多个空格为分隔符
缺失值处理
%more data/ex5.csv
pd.read_csv('data/ex5.csv')
pd.read_csv('data/ex5.csv', na_values=['NA', 'NULL', 'foo'])
#将NA、NULL、foo都设置为NaN
pd.read_csv('data/ex5.csv', na_values={'message': ['foo', 'NA'], 'something': ['two']})
#用字典表来设置nan值
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')
%more data/ex5_out.csv
df = pd.read_csv('data/ex5_out.csv')
#to_csv就是保存到磁盘
# 不写索引
df = pd.read_csv('data/ex5.csv')
df.to_csv('data/ex5_out.csv', index=False)
%more data/ex5_out.csv
# 不写列名称
df = pd.read_csv('data/ex5.csv')
df.to_csv('data/ex5_out.csv', index=False, header=None)
%more data/ex5_out.csv
# 指定分隔符
df = pd.read_csv('data/ex5.csv')
df.to_csv('data/ex5_out.csv', index=False, sep='|')
%more data/ex5_out.csv
# 只写出一部分列
df = pd.read_csv('data/ex5.csv')
df.to_csv('data/ex5_out.csv', index=False, columns=['a', 'b', 'message'])
%more data/ex5_out.csv
二进制格式
二进制的优点是容量小,读取速度快。缺点是可能在不同版本间不兼容。比如 Pandas 版本升级后,早期版本保存的二进制数据可能无法正确地读出来。
df = pd.read_csv('data/ex1.csv')
pd.to_pickle(df, 'data/ex1_pickle.bin')
%ls data
#储存为二进制形式
pd.read_pickle('data/ex1_pickle.bin')
#读取二进制文件
pd.to_pickle(pd.read_csv('data/ex6.csv'), 'data/ex6_pickle.bin')
%ls data
#重命名,复制
其他格式
- HDF5: HDF5是个C语言实现的库,可以高效地读取磁盘上的二进制存储的科学数据。
- Excel文件: pd.read_excel/pd.ExcelFile/pd.ExcelWriter
- JSON: 通过 json 模块转换为字典,再转换为 DataFrame
- SQL 数据库:通过 pd.io.sql 模块来从数据库读取数据
- NoSQL (MongoDB) 数据库:需要结合相应的数据库模块,如 pymongo 。再通过游标把数据读出来,转换为 DataFrame