20个经典函数细说 Pandas 中的数据读取与存储,强烈建议收藏
作者 | 俊欣
来源 | 关于数据分析与可视化
大家好,今天小编来为大家介绍几个Pandas
读取数据以及保存数据的方法,毕竟我们很多时候需要读取各种形式的数据,以及将我们需要将所做的统计分析保存成特定的格式。
我们大致会说到的方法有:
read_sql()
to_sql()
read_clipboard()
from_dict()
to_dict()
to_clipboard()
read_json()
to_json()
read_html()
to_html()
read_table()
read_csv()
to_csv()
read_excel()
to_excel()
read_xml()
to_xml()
read_pickle()
to_pickle()
read_sql()
与to_sql()
我们一般读取数据都是从数据库中来读取的,因此可以在read_sql()
方法中填入对应的sql
语句然后来读取我们想要的数据,
pd.read_sql(sql, con, index_col=None,coerce_float=True, params=None,parse_dates=None,columns=None, chunksize=None)
参数详解如下:
sql: SQL命令字符串
con: 连接SQL数据库的Engine,一般用SQLAlchemy或者是PyMysql之类的模块来建立
index_col:选择某一列作为Index
coerce_float:将数字形式的字符串直接以float型读入
parse_dates: 将某一列日期型字符串传唤为datatime型数据,可以直接提供需要转换的列名以默认的日期形式转换,或者也可以提供字典形式的列名和转换日期的格式,
我们用PyMysql
这个模块来连接数据库,并且读取数据库当中的数据,首先我们导入所需要的模块,并且建立起与数据库的连接
import pandas as pd
from pymysql import *conn = connect(host='localhost', port=3306, database='database_name',user='', password='', charset='utf8')
我们简单地写一条SQL
命令来读取数据库当中的数据,并且用read_sql()方法来读取数据
sql_cmd = "SELECT * FROM table_name"
df = pd.read_sql(sql_cmd, conn)
df.head()
上面提到read_sql()
方法当中parse_dates
参数可以对日期格式的数据进行处理,那我们来试一下其作用
sql_cmd_2 = "SELECT * FROM test_date"
df_1 = pd.read_sql(sql_cmd_2, conn)
df_1.head()
output
number date_columns
0 1 2021-11-11
1 2 2021-10-01
2 3 2021-11-10
我们来看一个各个列的数据类型
df_1.info()
output
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 3 entries, 0 to 2
Data columns (total 2 columns):# Column Non-Null Count Dtype
--- ------ -------------- ----- 0 number 3 non-null int64 1 date_columns 3 non-null object
dtypes: int64(1), object(1)
memory usage: 176.0+ bytes
正常默认情况下,date_columns
这一列也是被当做是String
类型的数据,要是我们通过parse_dates
参数将日期解析应用与该列
df_2 = pd.read_sql(sql_cmd_2, conn, parse_dates="date_columns")
df_2.info()
output
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 3 entries, 0 to 2
Data columns (total 2 columns):# Column Non-Null Count Dtype
--- ------ -------------- ----- 0 number 3 non-null int64 1 date_columns 3 non-null datetime64[ns]
dtypes: datetime64[ns](1), int64(1)
memory usage: 176.0 bytes
就转换成了相对应的日期格式,当然我们还可以采用上面提到的另外一种格式
parse_dates={"date_column": {"format": "%d/%m/%y"}})
to_sql()
方法
我们来看一下to_sql()
方法,作用是将DataFrame
当中的数据存放到数据库当中,请看下面的示例代码,我们创建一个基于内存的SQLite
数据库
from sqlalchemy import create_engine
engine = create_engine('sqlite://', echo=False)
然后我们创建一个用于测试的数据集,并且存放到该数据库当中,
df = pd.DataFrame({'num': [1, 3, 5]})
df.to_sql('nums', con=engine)
查看一下是否存取成功了
engine.execute("SELECT * FROM nums").fetchall()
output
[(0, 1), (1, 3), (2, 5)]
我们可以尝试着往里面添加数据
df2 = pd.DataFrame({'num': [7, 9, 11]})
df2.to_sql('nums', con=engine, if_exists='append')
engine.execute("SELECT * FROM nums").fetchall()
output
[(0, 1), (1, 3), (2, 5), (0, 7), (1, 9), (2, 11)]
注意到上面的if_exists
参数上面填的是append
,意味着添加新数据进去,当然我们也可以将原有的数据替换掉,将append
替换成replace
df2.to_sql('nums', con=engine, if_exists='replace')
engine.execute("SELECT * FROM nums").fetchall()
output
[(0, 7), (1, 9), (2, 11)]
from_dict()
方法和to_dict()
方法
有时候我们的数据是以字典的形式存储的,有对应的键值对,我们如何根据字典当中的数据来创立DataFrame
,假设
a_dict = {'学校': '清华大学','地理位置': '北京','排名': 1
}
一种方法是调用json_normalize()
方法,代码如下
df = pd.json_normalize(a_dict)
output
学校 地理位置 排名
0 清华大学 北京 1
当然我们直接调用pd.DataFrame()
方法也是可以的
df = pd.DataFrame(json_list, index = [0])
output
学校 地理位置 排名
0 清华大学 北京 1
当然我们还可以用from_dict()
方法,代码如下
df = pd.DataFrame.from_dict(a_dict,orient='index').T
output
学校 地理位置 排名
0 清华大学 北京 1
这里最值得注意的是orient
参数,用来指定字典当中的键是用来做行索引还是列索引,请看下面两个例子
data = {'col_1': [1, 2, 3, 4],'col_2': ['A', 'B', 'C', 'D']}
我们将orient
参数设置为columns
,将当中的键当做是列名
df = pd.DataFrame.from_dict(data, orient='columns')
output
col_1 col_2
0 1 A
1 2 B
2 3 C
3 4 D
当然我们也可以将其作为是行索引,将orient
设置为是index
df = pd.DataFrame.from_dict(data, orient='index')
output
0 1 2 3
col_1 1 2 3 4
col_2 A B C D
to_dict()
方法
语法如下:
df.to_dict(orient='dict')
针对orient
参数,一般可以填这几种形式
一种是默认的dict
,代码如下
df = pd.DataFrame({'shape': ['square', 'circle', 'triangle'],'degrees': [360, 360, 180],'sides': [4, 5, 3]})
df.to_dict(orient='dict')
output
{'shape': {0: 'square', 1: 'circle', 2: 'triangle'}, 'degrees': {0: 360, 1: 360, 2: 180}, 'sides': {0: 4, 1: 5, 2: 3}}
也可以是list
,代码如下
df.to_dict(orient='list')
output
{'shape': ['square', 'circle', 'triangle'], 'degrees': [360, 360, 180], 'sides': [4, 5, 3]}
除此之外,还有split
,代码如下
df.to_dict(orient='split')
output
{'index': [0, 1, 2], 'columns': ['shape', 'degrees', 'sides'], 'data': [['square', 360, 4], ['circle', 360, 5], ['triangle', 180, 3]]}
还有records
,代码如下
df.to_dict(orient='records')
output
[{'shape': 'square', 'degrees': 360, 'sides': 4}, {'shape': 'circle', 'degrees': 360, 'sides': 5}, {'shape': 'triangle', 'degrees': 180, 'sides': 3}]
最后一种是index
,代码如下
df.to_dict(orient='index')
output
{0: {'shape': 'square', 'degrees': 360, 'sides': 4}, 1: {'shape': 'circle', 'degrees': 360, 'sides': 5}, 2: {'shape': 'triangle', 'degrees': 180, 'sides': 3}}
read_json()
方法和to_json()
方法
我们经常也会在实际工作与学习当中遇到需要去处理JSON
格式数据的情况,我们用Pandas
模块当中的read_json()
方法来进行处理,我们来看一下该方法中常用到的参数
orient:对应JSON字符串的格式主要有
split
: 格式类似于:{index: [index], columns: [columns], data: [values]}
例如我们的JSON字符串长这样
a = '{"index":[1,2,3],"columns":["a","b"],"data":[[1,3],[2,8],[3,9]]}'
df = pd.read_json(a, orient='split')
output
a b
1 1 3
2 2 8
3 3 9
records
: 格式类似于:[{column: value}, ... , {column: value}]
例如我们的JSON字符串长这样
a = '[{"name":"Tom","age":"18"},{"name":"Amy","age":"20"},{"name":"John","age":"17"}]'
df_1 = pd.read_json(a, orient='records')
output
name age
0 Tom 18
1 Amy 20
2 John 17
index
: 格式类似于:{index: {column: value}}
例如我们的JSON字符串长这样
a = '{"index_1":{"name":"John","age":20},"index_2":{"name":"Tom","age":30},"index_3":{"name":"Jason","age":50}}'
df_1 = pd.read_json(a, orient='index')
output
name age
index_1 John 20
index_2 Tom 30
index_3 Jason 50
columns
: 格式类似于:{column: {index: value}}
我们要是将上面的index
变成columns
,就变成
df_1 = pd.read_json(a, orient='columns')
output
index_1 index_2 index_3
name John Tom Jason
age 20 30 50
values
: 数组
例如我们的JSON字符串长这样
v='[["a",1],["b",2],["c", 3]]'
df_1 = pd.read_json(v, orient="values")
output
0 1
0 a 1
1 b 2
2 c 3
to_json()
方法
将DataFrame
数据对象输出成JSON
字符串,可以使用to_json()
方法来实现,其中orient
参数可以输出不同格式的字符串,用法和上面的大致相同,这里就不做过多的赘述
read_html()
方法和to_html()
方法
有时候我们需要抓取网页上面的一个表格信息,相比较使用Xpath
或者是Beautifulsoup
,我们可以使用pandas
当中已经封装好的函数read_html
来快速地进行获取,例如我们通过它来抓取菜鸟教程Python网站上面的一部分内容
url = "https://www.runoob.com/python/python-exceptions.html"
dfs = pd.read_html(url, header=None, encoding='utf-8')
返回的是一个list
的DataFrame
对象
df = dfs[0]
df.head()
output
异常名称 描述
0 NaN NaN
1 BaseException 所有异常的基类
2 SystemExit 解释器请求退出
3 KeyboardInterrupt 用户中断执行(通常是输入^C)
4 Exception 常规错误的基类
当然read_html()
方法也支持读取HTML
形式的表格,我们先来生成一个类似这样的表格,通过to_html()
方法
df = pd.DataFrame(np.random.randn(3, 3))
df.to_html("test_1.html")
当然这个HTML
形式的表格长这个样子
然后我们再通过read_html
方法读取该文件,
dfs = pd.read_html("test_1.html")
dfs[0]
read_csv()
方法和to_csv()
方法
read_csv()
方法
read_csv()
方法是最常被用到的pandas
读取数据的方法之一,其中我们经常用到的参数有
filepath_or_buffer: 数据输入的路径,可以是文件的路径的形式,例如
pd.read_csv('data.csv')
output
num1 num2 num3 num4
0 1 2 3 4
1 6 12 7 9
2 11 13 15 18
3 12 10 16 18
也可以是URL,如果访问该URL会返回一个文件的话
pd.read_csv("http://...../..../data.csv")
sep: 读取
csv
文件时指定的分隔符,默认为逗号,需要注意的是:“csv文件的分隔符”要和“我们读取csv文件时指定的分隔符”保持一致
假设我们的数据集,csv
文件当中的分隔符从逗号改成了"\t",需要将sep
参数也做相应的设定
pd.read_csv('data.csv', sep='\t')
index_col: 我们在读取文件之后,可以指定某一列作为
DataFrame
的索引
pd.read_csv('data.csv', index_col="num1")
output
num2 num3 num4
num1
1 2 3 4
6 12 7 9
11 13 15 18
12 10 16 18
除了指定单个列,我们还可以指定多个列,例如
df = pd.read_csv("data.csv", index_col=["num1", "num2"])
output
num3 num4
num1 num2
1 2 3 4
6 12 7 9
11 13 15 18
12 10 16 18
usecols:如果数据集当中的列很多,而我们并不想要全部的列、而是只要指定的列就可以,就可以使用这个参数
pd.read_csv('data.csv', usecols=["列名1", "列名2", ....])
output
num1 num2
0 1 2
1 6 12
2 11 13
3 12 10
除了指定列名之外,也可以通过索引来选择想要的列,示例代码如下
df = pd.read_csv("data.csv", usecols = [0, 1, 2])
output
num1 num2 num3
0 1 2 3
1 6 12 7
2 11 13 15
3 12 10 16
另外usecols参数还有一个比较好玩的地方在于它能够接收一个函数,将列名作为参数传递到该函数中调用,要是满足条件的,就选中该列,反之则不选择该列
# 选择列名的长度大于 4 的列
pd.read_csv('girl.csv', usecols=lambda x: len(x) > 4)
prefix: 当导入的数据没有header的时候,可以用来给列名添加前缀
df = pd.read_csv("data.csv", header = None)
output
0 1 2 3
0 num1 num2 num3 num4
1 1 2 3 4
2 6 12 7 9
3 11 13 15 18
4 12 10 16 18
如果我们将header
设为None,pandas
则会自动生成表头0, 1, 2, 3..., 然后我们设置prefix
参数为表头添加前缀
df = pd.read_csv("data.csv", prefix="test_", header = None)
output
test_0 test_1 test_2 test_3
0 num1 num2 num3 num4
1 1 2 3 4
2 6 12 7 9
3 11 13 15 18
4 12 10 16 18
skiprows: 过滤掉哪些行,参数当中填行的索引
代码如下:
df = pd.read_csv("data.csv", skiprows=[0, 1])
output
6 12 7 9
0 11 13 15 18
1 12 10 16 18
上面的代码过滤掉了前两行的数据,直接将第三行与第四行的数据输出,当然我们也可以看到第二行的数据被当成是了表头
nrows: 该参数设置一次性读入的文件行数,对于读取大文件时非常有用,比如 16G 内存的PC无法容纳几百G的大文件
代码如下:
df = pd.read_csv("data.csv", nrows=2)
output
num1 num2 num3 num4
0 1 2 3 4
1 6 12 7 9
to_csv()
方法
该方法主要是用于将DataFrame
写入csv
文件当中,示例代码如下
df.to_csv("文件名.csv", index = False)
我们还能够输出到zip
文件的格式,代码如下
df = pd.read_csv("data.csv")
compression_opts = dict(method='zip',archive_name='output.csv')
df.to_csv('output.zip', index=False,compression=compression_opts)
read_excel()
方法和to_excel()
方法
read_excel()
方法
要是我们的数据是存放在excel
当中就可以使用read_excel()
方法,该方法中的参数和上面提到的read_csv()
方法相差不多,这里就不做过多的赘述,我们直接来看代码
df = pd.read_excel("test.xlsx")
dtype: 该参数能够对指定某一列的数据类型加以设定
df = pd.read_excel("test.xlsx", dtype={'Name': str, 'Value': float})
output
Name Value
0 name1 1.0
1 name2 2.0
2 name3 3.0
3 name4 4.0
sheet_name: 对于读取
excel
当中的哪一个sheet
当中的数据加以设定
df = pd.read_excel("test.xlsx", sheet_name="Sheet3")
output
Name Value
0 name1 10
1 name2 10
2 name3 20
3 name4 30
当然我们要是想一次性读取多个Sheet
当中的数据也是可以的,最后返回的数据是以dict
形式返回的
df = pd.read_excel("test.xlsx", sheet_name=["Sheet1", "Sheet3"])
output
{'Sheet1': Name Value
0 name1 1
1 name2 2
2 name3 3
3 name4 4, 'Sheet3': Name Value
0 name1 10
1 name2 10
2 name3 20
3 name4 30}
例如我们只想要Sheet1
的数据,可以这么来做
df1.get("Sheet1")
output
Name Value
0 name1 1
1 name2 2
2 name3 3
3 name4 4
to_excel()
方法
将DataFrame
对象写入Excel
表格,除此之外还有ExcelWriter()
方法也有着异曲同工的作用,代码如下
df1 = pd.DataFrame([['A', 'B'], ['C', 'D']],index=['Row 1', 'Row 2'],columns=['Col 1', 'Col 2'])
df1.to_excel("output.xlsx")
当然我们还可以指定Sheet
的名称
df1.to_excel("output.xlsx", sheet_name='Sheet_Name_1_1_1')
有时候我们需要将多个DataFrame
数据集输出到一个Excel
当中的不同的Sheet
当中
df2 = df1.copy()
with pd.ExcelWriter('output.xlsx') as writer:df1.to_excel(writer, sheet_name='Sheet_name_1_1_1')df2.to_excel(writer, sheet_name='Sheet_name_2_2_2')
我们还可以在现有的Sheet
的基础之上,再添加一个Sheet
df3 = df1.copy()
with pd.ExcelWriter('output.xlsx', mode="a", engine="openpyxl") as writer:df3.to_excel(writer, sheet_name='Sheet_name_3_3_3')
我们可以生成至Excel
文件并且进行压缩包处理
with zipfile.ZipFile("output_excel.zip", "w") as zf:with zf.open("output_excel.xlsx", "w") as buffer:with pd.ExcelWriter(buffer) as writer:df1.to_excel(writer)
对于日期格式或者是日期时间格式的数据,也能够进行相应的处理
from datetime import date, datetime
df = pd.DataFrame([[date(2019, 1, 10), date(2021, 11, 24)],[datetime(2019, 1, 10, 23, 33, 4), datetime(2021, 10, 20, 13, 5, 13)],],index=["Date", "Datetime"],columns=["X", "Y"],
)
with pd.ExcelWriter("output_excel_date.xlsx",date_format="YYYY-MM-DD",datetime_format="YYYY-MM-DD HH:MM:SS"
) as writer:df.to_excel(writer)
read_table()
方法
对于txt
文件,既可以用read_csv()
方法来读取,也可以用read_table()
方法来读取,其中的参数和read_csv()当中的参数大致相同,这里也就不做过多的赘述
df = pd.read_table("test.txt", names = ["col1", "col2"], sep=' ')
output
col1 col2
0 1 2
1 3 4
2 5 6
3 7 8
4 9 10
5 11 12
我们要读取的txt文件当中的数据是以空格隔开的,因此再sep
参数上面需要设置成空格
read_pickle()方法和to_pickle()方法
Python
当中的Pickle
模块实现了对一个Python
对象结构的二进制序列和反序列化,序列化过程是将文本信息转变为二进制数据流,同时保存数据类型。例如数据处理过程中,突然有事儿要离开,可以直接将数据序列化到本地,这时候处理中的数据是什么类型,保存到本地也是同样的类型,反序列化之后同样也是该数据类型,而不是从头开始处理
to_pickle()
方法
我们先将DataFrame
数据集生成pickle
文件,对数据进行永久储存,代码如下
df1.to_pickle("test.pkl")
read_pickle()
方法
代码如下
df2 = pd.read_pickle("test.pkl")
read_xml()
方法和to_xml()
方法
XML指的是可扩展标记语言,和JSON类似也是用来存储和传输数据的,还可以用作配置文件
XML和HTML之间的差异
XML和HTML为不同的目的而设计的
XML被设计用来传输和存储数据,其重点是数据的内容
HTML被设计用来显示数据,其焦点是数据的外观
XML不会替代HTML,是对HTML的补充
对XML最好的理解是独立于软件和硬件的信息传输工具,我们先通过to_xml()
方法生成XML数据
df = pd.DataFrame({'shape': ['square', 'circle', 'triangle'],'degrees': [360, 360, 180],'sides': [4, np.nan, 3]})
df.to_xml("test.xml")
我们用pandas
中的read_xml()
方法来读取数据
df = pd.read_xml("test.xml")
output
shape degrees sides
0 square 360 4.0
1 circle 360 NaN
2 triangle 180 3.0
read_clipboard()
方法
有时候数据获取不太方便,我们可以通过复制的方式,通过Pandas
当中的read_clipboard()
方法来读取复制成功的数据,例如我们选中一部分数据,然后复制,运行下面的代码
df_1 = pd.read_clipboard()
output
num1 num2 num3 num4
0 1 2 3 4
1 6 12 7 9
2 11 13 15 18
3 12 10 16 18
to_clipboard()
方法
有复制就会有粘贴,我们可以将DataFrame
数据集输出至剪贴板中,粘贴到例如Excel
表格中
df.to_clipboard()
往
期
回
顾
技术
6种常用的绘制地图的方法,码住!
资讯
DeepMind 打造AI游戏系统
资讯
全球首个活体机器人,能生娃
资讯
机器人Ameca苏醒瞬间逼真到令人...
分享
点收藏
点点赞
点在看
20个经典函数细说 Pandas 中的数据读取与存储,强烈建议收藏相关推荐
- 阿里面试题:Pandas中合并数据的5个函数,各有千秋!
前几天在一个群里面,看到一位朋友,说到自己的阿里面试,被问了一些关于pandas的使用.其中一个问题是:pandas中合并数据的5中方法. 今天借着这个机会,就为大家盘点一下pandas中合并数据的5 ...
- pandas使用itertuples函数迭代dataframe中的数据行并自定义修改行中的数值(update row while iterating over the rows)
pandas使用itertuples函数迭代dataframe中的数据行并自定义修改行中的数值(update row while iterating over the rows in datafram ...
- python使用statsmodels包中的robust.mad函数以及pandas的apply函数计算dataframe中所有数据列的中位数绝对偏差(MAD)
python使用statsmodels包中的robust.mad函数以及pandas的apply函数计算dataframe中所有数据列的中位数绝对偏差(MAD.Median Absolute Devi ...
- pandas使用replace函数替换dataframe中的值:replace函数对dataframe中指定数据列的值进行替换、替换具体数据列的相关值
pandas使用replace函数替换dataframe中的值:replace函数对dataframe中指定数据列的值进行替换.替换具体数据列的相关值 目录
- 数据科学 IPython 笔记本 7.6 Pandas 中的数据操作
7.6 Pandas 中的数据操作 原文:Operating on Data in Pandas 译者:飞龙 协议:CC BY-NC-SA 4.0 本节是<Python 数据科学手册>(P ...
- Python数据分析小技巧:如何在Pandas中实现数据透视表?
Python数据分析小技巧:如何在Pandas中实现数据透视表? 数据透视表是数据分析中非常有用的工具,可以帮助我们快速了解数据的结构.关联和趋势.在Pandas中,我们可以使用pivot_table ...
- R语言使用edit函数在Rsudio中生成数据编辑器(在windows中生成编辑器)、在编辑器中输出需要的数据生成最终的dataframe
R语言使用edit函数在Rsudio中生成数据编辑器(在windows中生成编辑器).在编辑器中输出需要的数据生成最终的dataframe 目录
- Python将Pandas中Dataframe数据保存为gzip/zip文件:gzip压缩文件、zip压缩文件
Python将Pandas中Dataframe数据保存为gzip/zip文件:gzip压缩文件.zip压缩文件 目录 Python将Pandas中Dataframe数据保存为gzip/zip文件:gz ...
- Python之pandas:对pandas中dataframe数据中的索引输出、修改、重命名等详细攻略
Python之pandas:对pandas中dataframe数据中的索引输出.修改.重命名等详细攻略 目录 对pandas中dataframe数据中的索引输出.修改.重命名等详细攻略 知识点学习 输 ...
最新文章
- 一图读懂:中国科学院“基础研究十条”
- Struts2中表单与Action传递数据三种方式
- matlab程序求一个正交的相似变换矩阵,图像的等距变换,相似变换,仿射变换,射影变换及其matlab实现...
- 【测试】SAP选择屏幕界面配图实现
- wxWidgets:wxWindowUpdateLocker类用法
- 关于new handler与default、delete关键字
- 红旗linux安装oracle,Redflag Linux安装Oracle 10gR2 RAC记事
- 【LuoguP5004】 专心OI - 跳房子
- 小隐隐于野:基于TCP反射DDoS攻击分析
- 实战 | 后端日志的前世今生
- 贾跃亭致信债权人:将努力打工还债,请相信我!
- 【Flink】Flink 源码之ExecutionGraph
- 累累白骨下,共享单车的困局
- DT大数据梦工厂 第67讲
- 思必驰重磅发布AI芯片,同时推出产业破局战略
- 大数据Hadoop相关概念及其技术生态圈
- Redis系列——Redis实战
- linux篇-图解cacti监控安装
- 学妹问我: 如何提高编程能力
- 一文带你了解python opencv中霍夫变换(Hough transform)的常用操作