利用Python进行数据分析之-数据加载.ppt

“ ” “ ” 数据加载，存储与文件格式 1，读写文本格式数据： （read_csv,read_table,read_fwf,read_clipboard,open() to_csv,to_excel,write()) 2, JSON数据: （两个方法：json.loads() json.dumps()） 3，XML和HTML:WEB信息收集（两个接口lxml.html, lxml.objectify） 4，二进制数据格式（pickle函数，短期存储格式） 5，使用HTML和WEB API（requests包） 6，使用数据库 目录 读取文本格式数据 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 读取定宽格式的数据，无分隔符 read_clipboard 读取剪贴板中数据 读取文本格式数据 pandas读取文件会自动推断数据类型，不用指定。 以read_csv为例，下面是常用的几个参数： 用 names重新规定列名，用index_col指定索引，也可以将多个列组合作为层次化索引。 可以编写正则表达式规定分隔符。 用skiprows跳过某些行。 缺失数据要么没有，要么用某个标记值表示，pandas常用NA、-1.#IND、NULL等进行标记。 用na_values用来不同的NA标记值。 Nrows 只读取几行 Chunksize:逐块读取文件 定义一个字典为各个列指定NA标记值，直接=null的就是把df中所有为空值的都标为null 跳过第3行 将数据写出到文本格式 1、利用data_frame的to_csv方法，可以将数据写到一个以逗号分隔的文件中，也可用sep参数指定分隔符，如 data.to_csv() 2、缺失值写入输出时会被表示为空字符串，可使用na_rep表示为别的标记值。 不添加后缀的话默认是一个file文件 data.to_csv(sys.stdout, sep=|) # 打印到屏幕 data.to_csv(sys.stdout, na_rep=NULL) # 空字符处显示为NULL data.to_csv(sys.stdout, index=False, header=False) # 禁用行和列的标签 data.to_csv(sys.stdout, cols=[a, b, c]) # 按照指定的顺序显示列 sys.stdout就相当于print，使用之前要import JSON数据 JSON数据已经成为通过http请求在wed浏览器和其他应用程序之间发送数据的标准格式之一，它是一种比表格型文本格式更灵活的数据格式。JSON非常接近于有效的python代码，基本类型都有对象，数组，字符串，数值，布尔型以及null。 Python形式 JSON格式 JSON格式 json.loads() json.dumps() Html基本信息 HTML 使用标记标签来描述网页 HTML 文档描述网页 保存为后缀名带.html打开就是一个网页 a href 超链接 XML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。 XML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。 from lxml.html import parse from urllib.request import urlopen urllib2在python中是urllib.request from pandas.io.parsers import TextParser import pandas as pd parsed=parse(urlopen(‘/rank/capitalforsale.html’)) 打开url doc=parsed.getroot() 可以得到url里面所有的element print(---------doc-----------) print (doc) links=doc.findall(‘.//a’) 获取所有为 的超链接 lnk=links[3] 找到其中的一个