文章目錄
其他
!type f:\test\News\DataAnalyst.csv # 查看文件內容、格式
!type f:\test\demo.json
!dir # 查看目錄下,文件名稱
list(open('demo.csv')) # 打開查看文件
pd.read_table()
pd.read_table('文件路徑/demo.txt',
sep='\s+', # 指明分隔符爲 多個空行
delimiter=None,
header='infer',#讀取哪一行爲columns
names=None,#字段名
index_col=0, # 讀取某列爲index
parse_dates=False,#哪個字段讀取爲時間類型
date_parser=None,#日期解析器,即format
pd.read_csv()
查看文件佈局
list(open('demo.csv'))
讀取
pd.read_csv('f:/test/demo.csv',
index_col=0, # 讀取某列爲index
index_col=['col1','col2'], # 讀取多重索引
encoding='gbk', # 編碼格式
header=None, # 用作列名的行
names=列表, # 自定義列名
dtype={'col1':int,'col2':np.float64}, # 設置列的數據類型
usecols=[1,2,3], # 只讀取某幾列['col1,'col2']
skiprows=[0,2], #跳過 1、3行,skiprows=3:跳過前3行
skipfooter=2, # 跳過最後2行,
engine='python', # 指明skip_footer實現的方式
nrows=5, # 只讀5行數據(不包含標題)
na_values=['NULL',999,'np.nan'], # 指定這些值讀取爲缺失值
na_values={'col1':['NULL','demo'],'col3':['a','c']}, # 字典指定列中特定值爲缺失值
parse_dates=False, # 嘗試解析爲日期
#【True】:解析所有列
#【列表或元組】
delimiter=',', # 用於分隔字段的單字符字符串,默認爲','
skipinitialspace=False, # 忽略分隔符後面的空白符
)
參數
參數 | 說明 |
---|---|
parse_dates | 解析爲日期,默認False。 True:嘗試解析所有列 一組列名、列號:解析指定列 列表的元素爲列表或元組:將多格列組合到一起再進行日期解析 |
converters | {‘col1’:f}:對col1列的所有值應用函數f |
dayfirst | 解析有歧義日期時,看做國際格式,默認False 23/6/2018→June,23,2018 |
engine='python' |
解析方式 分析引擎 C或python C引擎快 python引擎:更能完備 |
逐塊讀取
chunker = pd.read_csv('demo.csv',chunksize=1000)
tot = pd.Series([])
for piece in tot:
tot = tot.add(piece['key'].value_counts(),fill_value=0)
tot = tot.sort_values(ascending=False)
輸出文件
df.to_csv('f:/test/demo.csv',
index_label='demo', # 設置保存時index的name
index = False, # 不保存索引
header = False, # 不保存列名
na_rep = 'NULL', # 指定缺失值,用NULL標記
columns = ['col5','col3','col1'], # 只保存部分列,保存列的順序與指定列表一致
)
指定分隔符輸出
df.to_csv('demo',
sep = '|', # 指定分隔符
)
手工處理
手工讀取
with open('demo.csv') as f:
手工輸出分隔符文件
with open('demo.csv','w') as f:
writer = csv.writer(f, dialect = my_dialect)
writer.writerow(('one','two','three'))
writer.writerow(('1','2','3'))
writer.writerow(('4','5','6'))
writer.writerow(('7','8','9'))
pd.read_excel()
讀取表
pd.read_excel('f:/test/News/demo.xlsx',
sheetname='表名', # 讀取哪張表
)
寫入表
df.to_excel('f:/test/demo.xlsx',
sheet_name='demo1', # 設置保存的表名
index=False, # 不保存index
)
writer = pd.ExcelWriter('demo.xlsx') # 創建一個demo.xlsx文件
df1.to_excel(writer,'Sheet1') # df文件寫入demo.xlsx表,命名爲表1
writer.save()
寫入多張表
- 推薦:
with pd.ExcelWriter('f:/test/demo.xlsx') as writer:
df1.to_excel(writer,sheet_name='demo1')
df2.to_excel(writer,sheet_name='demo2')
pd.read_json()
-
JSON(JavaScript Object Notation)
-
json字符串
obj = """ {"name": "Wes", "places_lived": ["United States", "Spain", "Germany"], "pet": null, "siblings": [{"name": "Scott", "age": 30, "pets": ["Zeus", "Zuko"]}, {"name": "Katie", "age": 38, "pets": ["Sixes", "Stache", "Cisco"]}] } """
JSON字符串轉換成Python形式
import json
result = json.loads(obj) # obj爲json字符串
Python對象(不一定是DataFrame、Series)轉換成JSON格式
asjson = json.dumps(result)
JSON格式轉換成DataFrame
- 向DataFrame構造器傳入一個字典的列表(就是原先的JSON對象),並選取數據字段的子集
df = pd.DataFrame(result['siblings'], # siblings JSON對象
columns=['name','age']) # ['name','age]選取字段的子集
特定格式的JSON數據集
- 轉換成Series或DataFrame
pd.read_json('demo.json') # JSON數組中的每個對象是表格中的一行
pands輸出json
df.to_json()
sqlite
- 寫入數據庫
- sqlitebrowser.org查看數據庫
import sqlite3
connection = sqlite3.connect('f:/test/demo.sqlite')
df.to_sql('demo_DATA', #自己命名數據庫名,會寫入demo.sqlite
connection,
if_existe='replace'
# 如果數據庫存在,則替換(if_exists='append,存在則添加在後)
)
connection.commit()
connection.close()
- 讀取數據庫
connection = sqlite3.connect('f:/test/demo.sqlite')
dfs = pd.io.sql.read_sql('select * from demo_DATA',
connection, #讀取這個數據庫
index_col='index'
)
connection.close()
dfs.head()
read_sql
import sqlalchemy as sqla
db = sqla.create_engine('sqlite:///mydata.sqlite') # 用SQLAlchemy連接SQLite數據庫
pd.read_sql('select * from table1',db)
pandas解析hdf5
- HDF5是一種存儲大規模科學數組數據的非常好的文件格式
- 可以被作爲C庫,帶有許多語言的接口,如Java、Python和MATLAB等。
- HDF5中的HDF指的是層次型數據格式(hierarchical data format)。
- 每個HDF5文件都含有一個文件系統式的節點結構,它使你能夠存儲多個數據集並支持元數據。
- 與其他簡單格式相比,HDF5支持多種壓縮器的即時壓縮,還能更高效地存儲重複模式數據。
- 對於那些非常大的無法直接放入內存的數據集,HDF5就是不錯的選擇,因爲它可以高效地分塊讀寫。
- 保存爲hdf5
df = pd.DataFrame({'a':np.random.randn(10,3)},
index=pd.date_range('20181111',periods=10),
columns=['a','c','b'])
hdf = pd.HDFStore('f:/test/demo.h5')
hdf['obj1'] = df
hdf['obj1_col'] = df['a']
- 讀取
read_hdf = pd.HDFStore('f:/test/demo.h5')
df = read_hdf['df']
df
pd.HDFStore('f:/test/hdf.h5')['df']
HDFStore存儲模式
-
table存儲模式
- 通常會更慢
- 支持使用特殊語法進行查詢操作
hdf.put('obj2',df,format) hdf.select('obj2',where = ['index == 20181111'])
-
df.to_hdf('demo.h5','obj3',format = 'table') pd.read_hdf('demo.h5','obj3',where = ['index = 20181111'])
web
讀取遠程文件
url = 'http://archive.ics.uci.edu/m1/machine-learning-databases/pima-indians-diabetes/pima-indians-diabetes.data'
names = ['preg','plas','pres','skin','test','mass','pedi','age','class']
data = pd.read_csv(url, names = names)
data.head()
pandas讀取HTML
url = 'http://www.worldcup.2014.163.com/index.html'
df = pd.read_html(url)
len(df)
df[0].head()
table = []
for i in range(1,7):
table.append(pd.read_html('https://nba.hupu.com/stats/players/pts/%d' %i)[0])
players = pd.concat(table)
columns=['排名','球員','球隊','得分','命中-出手','命中率','命中-三分','三分命中率','命中-罰球','罰球命中率','場次','上場時間']
players.columns=columns
pandas_datareader財經數據
- 搜索pandas_datareader,查看官網
import pandas_datareader.data as web
import datetime
start = datetime.datetime(2018,11,1)
end = datetime.datetime(2018,11,11)
apple = web.DataReader('AAPL','yahoo',start,end)
apple.head()
解析XML
- XML(Extensible Markup Language)
- 一種常見的支持分層、嵌套數據以及元數據的結構化數據格式。
Web APIs交互
讀取GitHub的pandas主題api
import requests
url = 'https://api.github.com/repos/pandas-dev/pandas/issues'
resp = requests.get(url) # 會返回一個包含被解析過的JSON字典
data = resp.json() # data中的每個元素都是一個包含所有GitHub主題頁數據(不包含評論)的字典。
返回DataFrame對象
issues = pd.DataFrame(data,columns=['number','title','labels','state'])
股票數據
tushare.org
import tushare as ts
print(tushare.__version__) # 查看包的版本
ts.get_h_data('002241',start='2018-11-01',end='2018-11-11')
- 讀取 新股
ts.new_stocks()
Pandas鏈接mysql
- 先鏈接,讀取
import pandas as pd
from sqlalchemy import create_engine
def reader(query,db = 'learn'):
sql = query
engine = create_engine('mysql+pymysql://root:[email protected]:3306/{0}?charset=utf8'.format(db))
df = pd.read_sql(sql,engine,)
return df
df_company = reader('select * from company_sql')
reader('show tables')
寫入mysql
```python
df.to_sql('new_table_name',con=engine,index=True)
```
- 優點
- 新表不用創建字段
pymysql鏈接MySQL數據庫
- 安裝pymysql
打開cmd,pip install pymysql
- 鏈接MySQL
import pymysql
# 加載pymysql
- 創建鏈接conn
conn = pymysql.connect(
host = '127.0.0.1',
user = 'root',
password = 'admin888',
db = 'learn',
port = 3306,
charset = 'utf8'
)
# 定義變量鏈接conn
# 鏈接數據庫
- 創建遊標
cur = conn.cursor()
# 創建遊標
- 獲得結果
cur.execute(“select * from company_sql”)
# sql語句,獲得結果,此時結果還放在內存中
- 調出賦值
data = cur.fetchall()
# 調取結果賦值給變量data
- 循環
for d in data:
print (d[0],d[1],d[2])
# for循環,切片
conn.commit()
# 提交修改,一般只是讀取的話,用不到該語句
cur.close()# 關閉遊標
conn.close()# 關閉鏈接
-
conda install pandas_datareader
-
import pandas_datareader as pdr
-
獲取雅虎股票信息
start=datetime.datetime(2015,9,20) alibaba = pdr.get_data_yahoo('BABA',start = start) amazon = pdr.get_data_yahoo('AMZN',start = start)
-
股價查詢編號
'AAPL' # 蘋果 'GOOG' # 谷歌 'MSFT' # 微軟 'AMZN' # 亞馬遜 'FB' # 臉書 'BABA' # 阿里巴巴 'VIPS' # 唯品會
-
API
-
豆瓣API
- 返回值爲json格式
https://api.douban.com/v2/book/1220562
,獲取ID爲1220562的書的信息https://api.douban.com/v2/movie/subject/26387639
獲取ID爲26387639(摔跤吧爸爸)電影的信息
-
爬取
import urllib.request as urlrequest import json # 抓取api的json文件 id_list = [] for id in id_list: url_visit = 'https://api.douba.com/v2/movie/subject/{}'.format(id) crawl_content = urlrequest.urlopen(url_visit).read() # 加載爬取的文件 json_content = json.loads(crawl_content.decode('utf8')) rank = json_content['rating']['average'] # 將爬取的內容寫入文件 with open('movie_score.txt','a')as output: output.write('{},{}\n'.format(id,rank))
By儒冠多誤身 2019/04/21