目录
3.1 数据读取
从常见的Excel和CSV到JSON及各种数据库，Pandas几乎支持市面上所有的主流数据存储形式。
Pandas提供了一组顶层的I/O API，如pandas.read_csv()等方法，这些方法可以将众多格式的数据读取到DataFrame数据结构中，经过分析处理后，再通过类似DataFrame.to_csv()的方法导出数据。
Pandas 中常见数据的读取和输出函数
输入和输出的方法如下：
读取函数一般会赋值给一个变量df，df = pd.read_<xxx>()；
输出函数是将变量自身进行操作并输出df.to_<xxx>()；
3.1.1 CSV文件
CSV（Comma-Separated Values）是用逗号分隔值的数据形式，有时也称为字符分隔值，因为分隔字符也可以不是逗号。CSV文件的一般文件扩展名为.csv，用制表符号分隔也常用.tsv作为扩展名。CSV不仅可以是一个实体文件，还可以是字符形式，以便于在网络上传输。
CSV文件的读取方法如下（以下代码省略了赋值操作）：
# 文件目录
pd.read_csv('data.csv') # 如果文件与代码文件在同一目录下
pd.read_csv('data/my/data.csv') # 指定目录
pd.read_csv('data/my/my.data') # CSV文件的扩展名不一定是.csvCSV文件可以存储在网络上，通过URL来访问和读取：
# 使用URL
pd.read_csv('https://www.gairuo.com/file/data/dataset/GDP-China.csv')CSV不带数据样式，标准化较强，是最为常见的数据格式。
3.1.2 Excel
Excel电子表格是微软公司开发的被广泛使用的电子数据表格软件，一般可以将它的使用分为两类。一类是文字或者信息的结构化，像排班表、工作日报、客户名单之类，以文字为主；另一类为统计报表，如学生成绩表、销售表等，以数字为核心。Pandas主要处理统计报表，当然也可以对文字信息类表格做整理，在新版本的Pandas中加入了非常强大的文本处理功能。
Excel虽然易于上手，功能也很强大，但在数据分析中缺点也很明显。
无法进行复杂的处理：有时Excel提供的函数和处理方法无法满足复杂逻辑。
无法支持更大的数据量：目前Excel支持的行数上限为1 048 576（2的20次方），列数上限为16 384（2的14次方，列标签为XFD），在数据分析、机器学习操作中往往会超过这个体量。
处理方法无法复用：Excel一般采用设定格式的公式，然后将数据再复制，但这样仍然无法对数据的处理过程进行灵活复用。无法自动化：数据分析要经过一个数据输入、处理、分析和输出的过程，这些都是由人工来进行操作，无法实现自动化。
Pandas可以读取、处理大体量的数据，通过技术手段，理论上Pandas可以处理的数据体量无限大。编程可以更加自由地实现复杂的逻辑，逻辑代码可以进行封装、重复使用并可实现自动化。Pandas也提供了非常丰富的读取操作，这些将在3.2节详细介绍。最基础的读取方法如下：
# 返回DataFrame
pd.read_excel('team.xlsx') # 默认读取第一个标签页Sheet
pd.read_excel('path_to_file.xlsx', sheet_name='Sheet1') # 指定Sheet
# 从URL读取
pd.read_excel('https://www.gairuo.com/file/data/dataset/team.xlsx')3.1.3 JSON
JSON是互联网上非常通用的轻量级数据交换格式，是HTTP请求中数据的标准格式之一。Pandas提供的JSON读取方法在解析网络爬虫数据时，可以极大地提高效率。可如下读取JSON文件：
# data.json为同目录下的一个文件
pd.read_json('data.json')可以解析一个JSON字符串，以下是从HTTP服务检测到的设备信息：
jdata='{"res":{"model":"iPhone","browser":"Safari","version":"604.1"},"status":200}'
pd.read_json(jdata)
'''
res status
browser Safari 200
model iPhone 200
version 604.1 200
'''Pandas还提供了pd.json_normalize(data)方法来读取半结构化的JSON数据。
3.1.4 HTML
pd.read_html()函数可以接受HTML字符串、HTML文件、URL，并将HTML中的<table>标签表格数据解析为DataFrame。如返回有多个df的列表，则可以通过索引取第几个。如果页面里只有一个表格，那么这个列表就只有一个DataFrame。此方法是Pandas提供的一个简单实用的实现爬虫功能的方法。
dfs = pd.read_html('https://www.gairuo.com/p/pandas-io')
dfs[0] # 查看第一个df
# 读取网页文件，第一行为表头
dfs = pd.read_html('data.html', header=0)
# 第一列为索引
dfs = pd.read_html(url, index_col=0)如果一个网页表格很多，可以指定元素来获取：
# id='table'的表格，注意这里仍然可能返回多个
dfs1 = pd.read_html(url, attrs={'id': 'table'})
# dfs1[0]
# class='sortable'
dfs2 = pd.read_html(url, attrs={'class': 'sortable'})常用的参数与read_csv的基本相同。
3.1.5 剪贴板
剪贴板（Clipboard）是操作系统级的一个暂存数据的地方，它保存在内存中，可以在不同软件之间传递，非常方便。Pandas支持读取剪贴板中的结构化数据，这就意味着我们不用将数据保存成文件，而可以直接从网页、Excel等文件中复制，然后从操作系统的剪贴板中读取，非常方便。
'''
x y z
a 1 2 3
b 4 5 6
c 7 8 9
'''
# 复制上边的数据，然后直接赋值
cdf = pd.read_clipboard()变量cdf就是上述文本的DataFrame结构数据。read_clipboard的参数使用与read_csv完全一样。
3.1.6 SQL
Pandas需要引入SQLAlchemy库来支持SQL，在SQLAlchemy的支持下，它可以实现所有常见数据库类型的查询、更新等操作。Pandas连接数据库进行查询和更新的方法如下。
read_sql_table(table_name, con[, schema, …])：把数据表里的数据转换成DataFrame。
read_sql_query(sql, con[, index_col, …])：用sql查询数据到DataFrame中。
read_sql(sql, con[, index_col, …])：同时支持上面两个功能。
DataFrame.to_sql(self, name, con[, schema, …])：把记录数据写到数据库里。
以下是一些代码示例：
# 需要安装SQLAlchemy库
from sqlalchemy import create_engine
# 创建数据库对象，SQLite内存模式
engine = create_engine('sqlite:///:memory:')
# 取出表名为data的表数据
with engine.connect() as conn, conn.begin():
data = pd.read_sql_table('data', conn)
# data
# 将数据写入
data.to_sql('data', engine)
# 大量写入
data.to_sql('data_chunked', engine, chunksize=1000)
# 使用SQL查询
pd.read_sql_query('SELECT * FROM data', engine)3.2 读取CSV
3.2.1 语法
基本语法如下，pd为导入Pandas模块的别名：
pd.read_csv(filepath_or_buffer: Union[str, pathlib.Path, IO[~AnyStr]],
sep=',', delimiter=None, header='infer', names=None, index_col=None,
usecols=None, squeeze=False, prefix=None, mangle_dupe_cols=True,
dtype=None, engine=None, converters=None, true_values=None,
false_values=None, skipinitialspace=False, skiprows=None,
skipfooter=0, nrows=None, na_values=None, keep_default_na=True,
na_filter=True, verbose=False, skip_blank_lines=True,
parse_dates=False, infer_datetime_format=False,
keep_date_col=False, date_parser=None, dayfirst=False,
cache_dates=True, iterator=False, chunksize=None,
compression='infer', thousands=None, decimal: str = '.',
lineterminator=None, quotechar='"', quoting=0,
doublequote=True, escapechar=None, comment=None,
encoding=None, dialect=None, error_bad_lines=True,
warn_bad_lines=True, delim_whitespace=False,
low_memory=True, memory_map=False, float_precision=None)一般情况下，会将读取到的数据返回一个DataFrame，当然按照参数的要求会返回指定的类型。
3.2.2 数据内容
filepath_or_buffer为第一个参数，没有默认值，也不能为空，根据Python的语法，第一个参数传参时可以不写参数名。可以传文件路径：
# 支持文件路径或者文件缓冲对象
# 本地相对路径
pd.read_csv('data/data.csv') # 注意目录层级
pd.read_csv('data.csv') # 如果文件与代码文件在同一目录下
pd.read_csv('data/my/my.data') # CSV文件的扩展名不一定是.csv
# 本地绝对路径
pd.read_csv('/user/gairuo/data/data.csv')
# 使用URL
pd.read_csv('https://www.gairuo.com/file/data/dataset/GDP-China.csv')需要注意的是，Mac中和Windows中路径的写法不一样，上例是Mac中的写法，Windows中的相对路径和绝对路径需要分别换成类似'data\data.csv'和'E:\data\data.csv'的形式。另外，路径尽量不要使用中文，否则程序容易报错，这意味着你存放数据文件的目录要尽量用英文命名。
可以传数据字符串，即CSV中的数据字符以字符串形式直接传入：
from io import StringIO
data = ('col1,col2,col3\n'
'a,b,1\n'
'a,b,2\n'
'c,d,3')
pd.read_csv(StringIO(data))
pd.read_csv(StringIO(data), dtype=object)也可以传入字节数据：
from io import BytesIO
data = (b'word,length\n'
b'Tr\xc3\xa4umen,7\n'
b'Gr\xc3\xbc\xc3\x9fe,5')
pd.read_csv(BytesIO(data))3.2.3 分隔符
sep参数是字符型的，代表每行数据内容的分隔符号，默认是逗号，另外常见的还有制表符（\t）、空格等，根据数据的实际情况传值。
# 数据分隔符默认是逗号，可以指定为其他符号
pd.read_csv(data, sep='\t') # 制表符分隔tab
pd.read_table(data) # read_table 默认是制表符分隔tab
pd.read_csv(data, sep='|') # 制表符分隔tab
pd.read_csv(data,sep="(?<!a)\|(?!1)", engine='python') # 使用正则表达式pd.read_csv还提供了一个参数名为delimiter的定界符，这是一个备选分隔符，是sep的别名，效果和sep一样。如果指定该参数，则sep参数失效。
3.2.4 表头
header参数支持整型和由整型组成的列表，指定第几行是表头，默认会自动推断把第一行作为表头。
pd.read_csv(data, header=0) # 第一行
pd.read_csv(data, header=None) # 没有表头
pd.read_csv(data, header=[0,1,3]) # 多层索引MultiIndex注意，如果skip_blank_lines=True，header参数将忽略空行和注释行，因此header=0表示第一行数据而非文件的第一行。
3.2.5 列名
names用来指定列的名称，它是一个类似列表的序列，与数据一一对应。如果文件不包含列名，那么应该设置header=None，列名列表中不允许有重复值。
pd.read_csv(data, names=['列1', '列2']) # 指定列名列表
pd.read_csv(data, names=['列1', '列2'], header=None)3.2.6 索引
index_col用来指定索引列，可以是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。Pandas不会自动将第一列作为索引，不指定时会自动使用以0开始的自然索引。
# 支持int、str、int序列、str序列、False，默认为None
pd.read_csv(data, index_col=False) # 不再使用首列作为索引
pd.read_csv(data, index_col=0) # 第几列是索引
pd.read_csv(data, index_col='年份') # 指定列名
pd.read_csv(data, index_col=['a','b']) # 多个索引
pd.read_csv(data, index_col=[0, 3]) # 按列索引指定多个索引3.2.7 使用部分列
如果只使用数据的部分列，可以用usecols来指定，这样可以加快加载速度并降低内存消耗。
# 支持类似列表的序列和可调用对象
# 读取部分列
pd.read_csv(data, usecols=[0,4,3]) # 按索引只读取指定列，与顺序无关
pd.read_csv(data, usecols=['列1', '列5']) # 按列名，列名必须存在
# 指定列顺序，其实是df的筛选功能
pd.read_csv(data, usecols=['列1', '列5'])[['列5', '列1']]
# 以下用callable方式可以巧妙指定顺序，in后面的是我们要的顺序
pd.read_csv(data, usecols=lambda x: x.upper() in ['COL3', 'COL1'])3.2.8 返回序列
将squeeze设置为True，如果文件只包含一列，则返回一个Series，如果有多列，则还是返回DataFrame。
# 布尔型，默认为False
# 下例只取一列，会返回一个Series
pd.read_csv(data, usecols=[0], squeeze=True)
# 有两列则还是df
pd.read_csv(data, usecols=[0, 2], squeeze=True)3.2.9 表头前缀
如果原始数据没有列名，可以指定一个前缀加序数的名称，如n0、n1，通过prefix参数指定前缀。
# 格式为字符型str
# 表头为c_0、c_2
pd.read_csv(data, prefix='c_', header=None)3.2.10 处理重复列名
如果该参数为True，当列名有重复时，解析列名将变为X, X.1, …, X.N，而不是X,…, X。如果该参数为False，那么当列名中有重复时，前列将会被后列覆盖。
# 布尔型，默认为True
data = 'a,b,a\n0,1,2\n3,4,5'
pd.read_csv(StringIO(data), mangle_dupe_cols=True)
# 表头为a b a.1
# False会报ValueError错误3.2.11 数据类型
dtype可以指定各数据列的数据类型，后续章节会专门介绍。
# 传入类型名称，或者以列名为键、以指定类型为值的字典
pd.read_csv(data, dtype=np.float64) # 所有数据均为此数据类型
pd.read_csv(data, dtype={'c1':np.float64, 'c2': str}) # 指定字段的类型
pd.read_csv(data, dtype=[datetime, datetime, str, float]) # 依次指定3.2.12 引擎
使用的分析引擎可以选择C或Python。C语言的速度最快，Python语言的功能最为完善，一般情况下，不需要另行指定。
# 格式为engine=None，其中可选值有{'c', 'python'}
pd.read_csv(data, engine='c')3.2.13 列数据处理
使用converters参数对列的数据进行转换，参数中指定列名与针对此列的处理函数，最终以字典的形式传入，字典的键可以是列名或者列的序号。
# 字典格式，默认为None
data = 'x,y\na,1\nb,2'
def foo(p):
return p+'s'
# x应用函数，y使用lambda
pd.read_csv(StringIO(data), converters={'x': foo,
'y': lambda x: x*3})
# 使用列索引
pd.read_csv(StringIO(data),
converters={0: foo, 1: lambda x: x*3})3.2.14 真假值转换
使用true_values和false_values将指定的文本内容转换为True或False，可以用列表指定多个值。
# 列表，默认为None
data = ('a,b,c\n1,Yes,2\n3,No,4')
pd.read_csv(StringIO(data),
true_values=['Yes'], false_values=['No'])3.2.15 跳过指定行
如下跳过需要忽略的行数（从文件开始处算起）或需要忽略的行号列表（从0开始）：
# 类似列表的序列或者可调用对象
# 跳过前三行
pd.read_csv(data, skiprows=2)
# 跳过前三行
pd.read_csv(data, skiprows=range(2))
# 跳过指定行
pd.read_csv(data, skiprows=[24,234,141])
# 跳过指定行
pd.read_csv(data, skiprows=np.array([2, 6, 11]))
# 隔行跳过
pd.read_csv(data, skiprows=lambda x: x % 2 != 0)尾部跳过，从文件尾部开始忽略，C引擎不支持。
# int类型, 默认为0
pd.read_csv(filename, skipfooter=1) # 最后一行不加载skip_blank_lines指定是否跳过空行，如果为True，则跳过空行，否则数据记为NaN。
# 布尔型，默认为True
# 不跳过空行
pd.read_csv(data, skip_blank_lines=False)如果skip_blank_lines=True，header参数将忽略空行和注释行，因此header=0表示第一行数据而非文件的第一行。
3.2.16 读取指定行
nrows参数用于指定需要读取的行数，从文件第一行算起，经常用于较大的数据，先取部分进行代码编写。
# int类型，默认为None
pd.read_csv(data, nrows=1000)3.2.17 空值替换
na_values参数的值是一组用于替换NA/NaN的值。如果传参，需要指定特定列的空值。以下值默认会被认定为空值：
['-1.#IND', '1.#QNAN', '1.#IND', '-1.#QNAN',
'#N/A N/A', '#N/A', 'N/A', 'n/a', 'NA',
'#NA', 'NULL', 'null', 'NaN', '-NaN',
'nan', '-nan', '']使用na_values时需要关注下面keep_default_na的配合使用和影响：
# 可传入标量、字符串、类似列表序列和字典，默认为None
# 5和5.0会被认为是NaN
pd.read_csv(data, na_values=[5])
# ?会被认为是NaN
pd.read_csv(data, na_values='?')
# 空值为NaN
pd.read_csv(data, keep_default_na=False, na_values=[""])
# 字符NA和字符0会被认为是NaN
pd.read_csv(data, keep_default_na=False, na_values=["NA", "0"])
# Nope会被认为是NaN
pd.read_csv(data, na_values=["Nope"])
# a、b、c均被认为是NaN，等于na_values=['a','b','c']
pd.read_csv(data, na_values='abc')
# 指定列的指定值会被认为是NaN
pd.read_csv(data, na_values={'c':3, 1:[2,5]})3.2.18 保留默认空值
分析数据时是否包含默认的NaN值，是否自动识别。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。keep_default_na和na_values的关系见表3-2。
说明，如果na_filter为False（默认为True），那么keep_default_na和na_values参数均无效。
# 布尔型，默认为True
# 不自动识别空值
pd.read_csv(data, keep_default_na=False)3.2.19 日期时间解析
# 解析时间的函数名，默认为None
# 指定时间解析库，默认是dateutil.parser.parser
date_parser = pd.io.date_converters.parse_date_time
date_parser = lambda x: pd.to_datetime(x, utc=True, format='%d%b%Y')
date_parser = lambda d: pd.datetime.strptime(d, '%d%b%Y')
# 使用
pd.read_csv(data, parse_dates=['年份'], date_parser=date_parser)parse_dates参数用于对时间日期进行解析
# 布尔型、整型组成的列表、列表组成的列表或者字典，默认为False
pd.read_csv(data, parse_dates=True) # 自动解析日期时间格式
pd.read_csv(data, parse_dates=['年份']) # 指定日期时间字段进行解析
# 将第1、4列合并解析成名为“时间”的时间类型列
pd.read_csv(data, parse_dates={'时间':[1,4]})如果infer_datetime_format被设定为True并且parse_dates可用，那么Pandas将尝试转换为日期类型。
# 布尔型，默认为False
pd.read_csv(data, parse_dates=True, infer_datetime_format=True)如果用上文中的parse_dates参数将多列合并并解析成一个时间列，设置keep_date_col的值为True时，会保留这些原有的时间组成列；如果设置为False，则不保留这些列。
# 布尔型，默认为False
pd.read_csv(data, parse_dates=[[1, 2], [1, 3]], keep_date_col=True)对于DD/MM格式的日期类型，如日期2020-01-06，如果dayfirst=True，则会转换成2020-06-01。
# 布尔型，默认为False
pd.read_csv(data, dayfirst=True, parse_dates=[0])cache_dates如果为True，则使用唯一的转换日期缓存来应用datetime转换。解析重复的日期字符串，尤其是带有时区偏移的日期字符串时，可能会大大提高速度。
# 布尔型，默认为True
pd.read_csv(data, cache_dates=False)3.2.20 文件处理
以下是一些对读取文件对象的处理方法。iterator参数如果设置为True，则返回一个TextFileReader对象，并可以对它进行迭代，以便逐块处理文件。
# 布尔型，默认为False
pd.read_csv(data, iterator=True)chunksize指定文件块的大小，分块处理大型CSV文件。
# 整型，默认为None
pd.read_csv(data, chunksize=100000)
# 分块处理大文件
df_iterator = pd.read_csv(file, chunksize=50000)
def process_dataframe(df):
pass
return processed_df
for index,df_tmp in enumerate(df_iterator):
df_processed = process_dataframe(df_tmp)
if index > 0:
df_processed.to_csv(path)
else:
df_processed.to_csv(path, mode='a', header=False)compression（压缩格式）用于对磁盘数据进行即时解压缩。如果为“infer”，且filepath_or_buffer是以.gz、.bz2、.zip或.xz结尾的字符串，则使用gzip、bz2、zip或xz，否则不进行解压缩。如果使用zip，则ZIP文件必须仅包含一个要读取的数据文件。设置为None将不进行解压缩。
# 可选值有'infer'、'gzip'、'bz2'、'zip'、'xz'和None，默认为'infer'
pd.read_csv('sample.tar.gz', compression='gzip')encoding（编码）指定字符集类型，通常指定为'utf-8'。
# 字符型，默认为None
pd.read_csv('gairuo.csv', encoding='utf8')
pd.read_csv("gairuo.csv",encoding="gb2312") # 常见中文3.2.21 符号
以下是对文件中的一些数据符号进行的特殊识别处理。如下设置千分位分隔符thousands：
# 字符型，默认为None
pd.read_csv('test.csv', thousands=',') # 逗号分隔小数点decimal，识别为小数点的字符。
# 字符串，默认为'.'
pd.read_csv(data, decimal=",")行结束符lineterminator，将文件分成几行的字符，仅对C解析器有效。
# 长度为1的字符串，默认为None
data = 'a,b,c~1,2,3~4,5,6'
pd.read_csv(StringIO(data), lineterminator='~')引号quotechar，用于表示引用数据的开始和结束的字符。引用的项目可以包含定界符，它将被忽略。
# 长度为1的字符串
pd.read_csv(file, quotechar='"')在csv模块中，数据可能会用引号等字符包裹起来，quoting参数用来控制识别字段的引号模式，它可以是Python csv模块中的csv.QUOTE_*常量，也可以传入对应的数字。各个传入值的意义如下。
0或csv.QUOTE_MINIMAL：仅特殊字段有引号。
1或csv.QUOTE_ALL：所有字段都有引号。
2或csv.QUOTE_NONNUMERIC：所有非数字字段都有引号。
3或csv.QUOTE_NONE：所有字段都没有引号。
如果使用csv模块，则需要事先引入csv模块。
# 整型或者csv.QUOTE_*实例, 默认为0
import csv
pd.read_csv('input_file.csv', quoting=csv.QUOTE_NONE)双引号doublequote，当单引号已经被定义，并且quoting参数不是QUOTE_NONE的时候，使用双引号表示将引号内的元素作为一个元素使用。
# 布尔型，默认为True
import csv
pd.read_csv('data.csv', quotechar='"', doublequote=True, quoting=csv.QUOTE_NONNUMERIC)escapechar可以传入一个转义符，用于过滤数据中的该转入符。比如，如果一行用双引号包裹着的数据中有换行符，用以下代码可以过滤其中的换行符。
# 长度为1的转义字符串，默认为None
pd.read_csv(StringIO(data), escapechar='\n', encoding='utf-8')注释标识comment，指示不应分析行的部分。如果在一行的开头找到该标识，则将完全忽略该行。此参数必须是单个字符。像空行一样（只要skip_blank_lines =True），注释的行将被参数header忽略，而不是被skiprows忽略。例如，如果comment ='＃'，则解析header=0的'#empty \ na，b，c \ n1,2,3'会将'a，b，c'视为header。
# 字符串，默认为None
s = '# notes\na,b,c\n# more notes\n1,2,3'
pd.read_csv(StringIO(s), sep=',', comment='#', skiprows=1)空格分隔符delim_whitespace，指定是否将空格（例如''或'\ t'）用作分隔符，等效于设置sep ='\s+'。如果此选项设置为True，则不应该为delimiter参数传递任何内容。
# 布尔型，默认为False
pd.read_csv(StringIO(data), delim_whitespace=False)————————————————————————————
2332
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
