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 pd import 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,foo
df=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 foo
print 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 foo
print 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,15,16
parsed=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 1.1004919
print 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"htmlcode">#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,foo result=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 foo print 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NA print 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 NaN read_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None index_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=None skiprows 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f dayfirst 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False date_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Series thousands 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 pd import numpy as np from 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0 tot=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 fooDataFrame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 # NoneSeries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dates ts.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: int64from_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'}, optional Parser 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 None Values to consider as True false_values : list, default None Values 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 False boolean. 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 False DD/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 None Specifies 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 False Leave 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 csv f=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 = 0 reader=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,-0.46,935000csv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_minimal skipinitialspace 忽略分隔符后面的空白符。默认False doublequote 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 pd import numpy as np from pandas import Series,DataFrame import sys import 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 33XML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 pd import numpy as np from pandas import Series,DataFrame import sys import json from urllib2 import urlopen from lxml.html import parse from lxml import objectifyparsed=parse(urlopen('http://finance.yahoo.com/q/op"htmlcode">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"htmlcode">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 TextParser def 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：
<"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+"=>"+text if __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+"=>"+text if __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 pd import numpy as np from 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_pickle print 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 pd import numpy as np from pandas import Series,DataFrame import matplotlib.pyplot as plt import 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 pd import numpy as np from pandas import Series,DataFrame import matplotlib.pyplot as plt import tables import requests import json # url='https://twitter.com/search"color: #ff0000">4.使用数据库sqlite3数据库：读取数据库数据
import pandas as pd import numpy as np from pandas import Series,DataFrame import matplotlib.pyplot as plt import tables import requests import json import 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("htmlcode">#读取mysql中的数据 import pymysql import configparser config =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 sql result=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 1649281938,15089328109 db.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,DataFrame import pymongo import 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_collection post = {"author": "Mike", "text": "My first blog post!", "tags": ["mongodb", "python", "pymongo"], "date": datetime.datetime.utcnow()} (4)插入文件 posts=tweets.posts post_id=posts.insert_one(post).inserted_id （5）查询相关的数据 import pprint pprint.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python用pandas数据加载、存储与文件格式的实例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。