社区编辑申请
注册/登录
手把手教你用Pandas读取所有主流数据存储
存储 数据管理
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。

表3-1列出了一些常见的数据格式读取和输出方法。

▼表3-1 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_();
  • 输出函数是将变量自身进行操作并输出df.to_()。

一、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.csv
CSV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。

二、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,这些在《手把手教你用Python读取Excel》有详细介绍。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')

三、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。

四、HTML

pd.read_html()函数可以接受HTML字符串、HTML文件、URL,并将HTML中的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。

五、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。

六、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)

七、小结

Pandas支持读取非常多的数据格式,本文仅介绍了几种常见的数据文件格式,更多格式可以在其官网查询。

https://pandas.pydata.org/docs/user_guide/io.html

关于作者:李庆辉,数据产品专家,某电商公司数据产品团队负责人,擅长通过数据治理、数据分析、数据化运营提升公司的数据应用水平。精通Python数据科学及Python Web开发,曾独立开发公司的自动化数据分析平台,参与教育部“1+X”数据分析(Python)职业技能等级标准评审。中国人工智能学会会员,企业数字化、数据产品和数据分析讲师,在个人网站“盖若”上编写的技术和产品教程广受欢迎。

本书摘编自《深入浅出Pandas:利用Python进行数据处理与分析》,机械工业出版社华章公司2021年出版。转载请与我们取得授权。

责任编辑:武晓燕 来源: 大数据DT
相关推荐

2021-12-29 20:20:25

2021-08-02 23:15:20

2021-02-06 14:55:05

大数据pandas数据分析

2022-04-24 10:33:56

大数据数据分析

2021-08-09 13:31:25

2021-12-02 10:25:25

2021-08-26 09:00:48

2022-02-10 15:32:20

2021-07-28 13:29:57

2020-09-29 07:13:23

pandashdf5存储数据

2022-04-02 14:02:23

WindowsRedis 6.xredis

2022-01-27 09:24:20

2022-03-08 11:17:54

函数指针回调函数C语言

2020-03-31 18:45:33

PandasSQLite大数据

2022-05-10 09:33:50

Pandas技巧代码

2022-05-09 15:08:56

存储厂商NFV领域华为

2022-04-20 15:10:55

pandas编码函数

2020-10-29 06:02:44

PythonPandasExcel

2020-10-30 11:09:30

Pandas数据代码

2021-03-16 09:02:33

PythonMapinfo数据切块处理

同话题下的热门内容

人工智能赋能兼容测试,引领智能测试风向大型系统存储层迁移实践理“Druid 元数据”之乱磁盘预测技术助力潮数保护重庆市监局档案数据不止于备份恢复,Commvault File Storage Optimization加速数据迁移潮数保护陕西汉德车桥数据 推动“二次汽车下乡”

编辑推荐

从携程系统瘫痪,看国内企业数据管理乱象大数据有道之spark选择去重微服务架构下的分布式数据管理分布式存储中的元数据管理数据管理的未来发展趋势
我收藏的内容
点赞
收藏

51CTO技术栈公众号