最全攻略:数据分析师必备Python编程基础知识

导读:本文主要介绍使用Python进行数据分析时必备的编程基础知识,主要涉及Python的基本数据类型、数据结构、程序控制、读写数据等内容。

Python编写代码时,是以缩进作为代码块的标识,而不是使用花括号等字符,这与其它语言有较大差别。这种方式显示的代码可读性更高,通常使用四个空格或一个tab作缩进,如果是Python编程的新手,要注意这一点。

作者:常国珍、赵仁乾、张秋剑

本文摘编自《Python数据科学:技术详解与商业实践》,如需转载请联系大数据(ID:hzdashuju)

01 Python的基本数据类型

Python的基本数据类型包括几种,如下表:

名称

解释

示例

str

字符串

'a',"1"

float

浮点数

1.23,11.0

int

整数

3,4

bool

布尔

True,False

complex

复数

1+2j,2+0j

▲表3-1 Python基础数据类型

下面一一进行详述。

1. 字符串(str)

Python中,单引号、双引号、三引号包围的都是字符串,如下所示:

'spam eggs'
'spam eggs'

"spam eggs"
'spam eggs'

'''spam eggs'''
'spam eggs'

type('spam eggs')
str

此外,Python中的字符串也支持一些格式化输出,例如换行符“\n”和制表符“\t”:

print('First line.\nSecond line.')
First line.
Second line.

print('1\t2')
1    2

当然,有时候为避免混淆,也会使用转义字符“\”,用于转义“\”后一位的字符为原始输出。

"\"Yes,\" he said."
'"Yes," he said.'

此外还可以通过在引号前加r来表示原始输出:

print('C:\some\name')  #有换行符的输出
C:\some
Ame

print(r'C:\some\name') #原始输出
C:\some\name

Python中字符串支持加运算表示字符串拼接:

'pyt'+'hon'
'python'

2. 浮点数和整数(float,int)

Python可以处理任意大小的整数,当然包括负整数,在程序中的表示方法和数学上的写法一模一样。

 1+1
2

Python支持数值的四则运算,如下所示:

 1+1 #加法
2
 1-1 #减法
0
 1*1 #乘法
1
 2**2 #2的2次方
4
 2/3 #除法
0.6666666666666666
 5//2 #除法(整除)
2
 5%2 #余数
1

Python可以处理双精度浮点数,可以满足绝大部分数据分析的需求,要精确空值数字精度,还可以使用numpy扩展库。

此外,可以使用内置函数进行数值类型转换,例如转换数值字符为数值:

float("1")
1.0
int("1")
1

3. 布尔值 (Bool:True/False)

Python布尔值一般通过逻辑判断产生,只有两个可能结果:True/False

整型、浮点型的“0”和复数0+0j也可以表示False,其余整型、浮点型、复数数值都被判断为True,如下代码通过逻辑表达式创建bool逻辑值:

1 == 1
True

1 > 3
False

'a' is 'a'
True

当然,Python中提供了逻辑值的运算即“且”、“或”、“非”运算,

True and False #且
False

True or False #或
True

not True #非
False

布尔逻辑值转换可以使用内置函数bool,除数字0外,其他类型用bool转换结果都为True。

bool(1)
False

bool("0") 
True

bool(0)
False

Python中对象类型转换可参考表3-2。

数据类型

中文含义

转换函数

Str

字符串

str()

Float

浮点类型

float()

Int

整数

Int()

Bool

逻辑

bool()

Complex

复数

complex()

▲表3-2 Python数据类型转换

4. 其他

Python中,还有一些特殊的数据类型,例如无穷值,nan(非数值),None等。可以通过以下方式创建:

float('-inf') #负无穷
-inf

float('+inf') #正无穷
inf

下面是无穷值的一些运算,注意正负无穷相加返回nan(not a number),表示非数值

float('-inf')+1
-inf

float('-inf')/-1
inf

float('+inf')+1
inf

float('+inf')/-1
-inf

float('-inf')+float('+inf')
nan

非数值nan在Python中与任何数值的运算结果都会产生nan,nan甚至不等于自身。如下所示。nan可用于表示缺失值。

float('nan') == float('nan')
False

此外,python中提供了None来表示空,其仅仅支持判断运算,如下所示

x = None
 x is None
True

02 Python的基本数据结构

Python的基本数据类型包括以下几种,这些数据类型表示了自身在Python中的存储形式。在Python中可以输入type(对象)查看数据类型。

1. 列表(list)

1.1 列表简介

列表list是Python内置的一种数据类型,是一种有序的集合,用来存储一连串元素的容器,列表用[]来表示,其中元素的数据类型可不相同。

list1 = [1,'2',3,4]
list1
[1,'2',3,4]

除了使用“[]”创建列表外,还可以使用list()函数:

list([1,2,3])
[1, 2, 3]

list('abc')
['a', 'b', 'c']

可以通过索引对访问或修改列表相应位置的元素,使用索引时,通过”[]”来指定位置。在Python中,索引的起始位置为0,例如取list1的第一个位置的元素:

list1[0]
1

可以通过”:”符号选取指定序列的位置的元素,例如取第1到第3个位置的元素,注意这种索引取数是前包后不包的(包括0位置,但不包括3位置,即取0,1,2位置的元素):

list1[0:3]

[1, '2', 3]

此外,Python中的负索引表示倒序位置,例如-1代表list1最后一个位置的元素:

list1[-1]

4

列表支持加法运算,表示两个或多个列表合并为一个列表,如下所示:

[1,2,3]+[4,5,6]

[1, 2, 3, 4, 5, 6]

1.2 列表的方法

Python中,列表对象内置了一些方法。这里介绍append方法和extend方法,append方法表示在现有列表中添加一个元素,在循环控制语句中,append方法使用较多,以下是示例:

list2 = [1,2]
list2.append(3)
list2

[1 ,2 ,3]

extend方法类似于列表加法运算,表示合并两个列表为一个列表:

list2 = [1,2]
list2.extend([3,4,5])
list2

[1, 2, 3, 4,5]

2. 元组(tuple)

元组与列表类似,区别在于在列表中,任意元素可以通过索引进行修改。而元组中,元素不可更改,只能读取。下面展示了元组和列表的区别,列表可以进行赋值,而同样的操作应用于元组则报错。

list0 = [1,2,3]
tuple0 = (1,2,3)
list0[1] = 'a'
list0

[1, 'a', 3]

tuple0[1] = 'a'
TypeError      Traceback (most recent call last)
<ipython-input-35-2bfd4f0eedf9> in <module>()
----> 1 tuple0[1] = 'a'
TypeError: 'tuple' object does not support item assignment

这里通过”()”创建元组,python中,元组类对象一旦定义虽然无法修改,但支持加运算,即合并元组。

(1,2,3)+(4,5,6) 

(1, 2, 3, 4, 5, 6)

元组也支持像列表那样通过索引方式进行访问。

t1 = (1,2,3)
 t1[0]
1

t1[0:2]
(1,2)

3. 集合(set)

Python中,集合(set)是一组key的集合,其中key不能重复。可以通过列表、字典或字符串等创建集合,或通过“{}”符号进行创建。Python中集合主要有两个功能,一个功能是进行集合操作,另一个功能是消除重复元素。

basket = {'apple', 'orange', 'apple', 'pear', 'orange', 'banana'}
basket
{'apple', 'banana', 'orange', 'pear'}

basket = set(['apple', 'orange', 'apple', 'pear', 'orange', 'banana'])
basket
{'apple', 'banana', 'orange', 'pear'}

basket = set(('apple', 'orange', 'apple', 'pear', 'orange', 'banana'))
basket
{'apple', 'banana', 'orange', 'pear'}

Python支持数学意义上的集合运算,比如差集、交集、补集、并集等,例如如下集合:

A = {1,2,3}
B = {3,4,5}

A,B的差集,即集合A的元素去除AB共有的元素:

A – B

{1, 2}

A,B的并集,即集合A与集合B的全部唯一元素:

A | B

{1, 2, 3, 4, 5}

A,B的交集,即集合A和集合B共有的元素:

A & B

{3}

A,B的对称差,即集合A与集合B的全部唯一元素去除集合A与集合B的公共元素:

A ^ B

{1,2,4,5}

需要注意集合不支持通过索引访问指定元素。

4. 字典(dict)

Python内置了字典dict,在其他语言中也称为map,使用键-值(key-value)存储,具有极快的查找速度,其格式是用大括号{}括起来key和value用冒号“:”进行对应。例如以下代码创建了一个字典:

dict1 = {'Nick':28,'Lily':28,'Mark':24}
 dict1
 
{'Lily': 28, 'Mark': 24, 'Nick': 28}

字典本身是无序的,可以通过方法keys和values取字典键值对中的键和值,如下所示:

dict1.keys()
['Nick', 'Lily', 'Mark']
 dict1.values()
 
[28, 28, 24]

字典支持按照键访问相应值的形式,如下所示:

dict1['Lily']

28

这里需要注意定义字典时,键不能重复,否则重复的键值会替代原先的键值,如下所示,键’Lily’产生重复,其值被替换。

dict3 = {'Nick':28,'Lily':28,'Mark':24,'Lily':33}

{'Lily': 33, 'Mark': 24, 'Nick': 28}

03 Python的程序控制

程序控制结构是编程语言的核心基础,Python的编程结构有3种,本节将详细地介绍这3种结构。

1. 三种基本的编程结构简介

简单来说,程序结构分为三种:顺承结构、分支结构和循环结构(图3-1)。

▲图3-1程序执行结构

  • 顺承结构的程序特点是依照次序将代码一个一个地执行,并返回相应的结果,这种结构较为简单,易于理解;
  • 分支结构的程序多出了条件判断,即满足某种条件就继续执行,否则跳转到另外的条件上进行执行;
  • 循环结构用于处理可以迭代的对象,这种结构通过循环可迭代的对象,然后对每一个对象执行程序并产生结果。在迭代次数较多的情况下,使用顺承结构往往要写非常长的代码,而循环结构则非常简单。

这些结构中,分支结构往往需要条件判断语句进行控制,比如if、else等,而循环结构则需要循环语句for进行控制,当然分支结构与循环结构完全可以混合,这时就可以通过条件循环语句while进行控制。

下面我们具体看看这几个结构的程序。

2. 顺承结构

2.1 顺承结构

现在创建一个列表a:

a = [1,2,3,4,5]

需要打印列表a中的所有元素,可以有如下写法,虽然烦琐但完成了任务。这种顺序执行的编程结构就是顺承结构:

print(a[0])
print(a[1])
print(a[2])
print(a[3])
print(a[4])

1
2
3
4
5

2.2 逻辑行与物理行

Python中,代码是逐行提交给解释器进行编译的,这里的一行称为逻辑行,实际代码也确实是一行,那么代码的物理行就只有一行,例如上述print代码,逻辑行和物理行是统一的。

但某些情况下,编写者写入一个逻辑行的代码过长时,可以分拆为多个物理行执行,例如:

tuple(set(list([1,2,3,4,5,6,7,8])))
(1, 2, 3, 4, 5, 6, 7, 8)

可以写为如下方式,符号’\’是换行的标识,此时代码还是一个逻辑行,但有两个物理行。

tuple(set(list([1,2,3,\
                     4,5,6,7,8])))
(1, 2, 3, 4, 5, 6, 7, 8)

当多个逻辑行代码过短时:

x = 1
y = 2
z = 3
print(x,y,z)

(1, 2, 3)

可以使用分号“;”将多个逻辑行转化为一个物理行执行:

x = 1;y = 2;z = 3;print(x,y,z)

(1, 2, 3)

3. 分支结构

分支结构的分支用于进行条件判断,Python中,使用if 、elif、else、冒号与缩进表达。详细语法可见以下示例,下面的语法的判断逻辑为 :

  • 若数值x小于0,令x等于0,若成立则打印信息'Negative changed to zero';
  • 若第一个条件不成立,判断x是否为0,若成立打印'Zero';
  • 若第一、第二个条件不成立,再判断x是否为1,若成立打印’single’;
  • 若第一、第二、第三个条件都不成立,打印’more’。

以x=-2测试结果:

x = -2
if x < 0: 
    x = 0
    print('Negative changed to zero')
elif x == 0: 
    print('Zero')
elif x == 1: 
    print('Single')
else: 
    print('More')
     
'Negative changed to zero'

这里,if,elif,else组成的逻辑是一个完整的逻辑,即程序执行的时,任何条件成立时,会停止后面的条件判断。这里需注意,当多个if存在时的条件判断的结果:若把上述代码中的elif改为if后,程序执行的结果会发生变化,如下所示:

 x = -2
if x < 0: 
     x = 0
     print('Negative changed to zero')
if x == 0: 
     print('Zero')
if x == 1: 
     print('Single')
else: 
     print('More')
'Negative changed to zero'
'Zero'
'More'

此时,上述程序的中任何if判断结果无论是否成立都会依次执行一遍,所以x=-2会被赋值为0后继续执行,第二个if判断为真,第三个if判断为假时,再跳到else进行执行,此时第三个if和else才是一个完整的逻辑。在写条件判断结构的程序时需要注意。

4. 循环结构

这里介绍Python中的for循环结构和while循环结构,循环语句用于遍历枚举一个可迭代对象的所有取值或其元素,每一个被遍历到的取值或元素执行指定的程序并输出。这里可迭代对象指可以被遍历的对象,比如列表、元组、字典等。

4.1 For循环

下面是一个for循环的例子, i用于指代一个可迭代对象中a中的一个元素,for循环写好条件后以冒号结束,并换行缩进,第二行是针对每次循环执行的语句,这里是打印列表a中的每一个元素。

a = [1,2,3,4,5]
for i in a:
   print(i)

1
2
3
4
5

上述操作也可以通过遍历一个可迭代对象的索引来完成,a列表一共5个元素,range(len(a))表示生成a的索引序列,这里打印索引并打印a向量索引下的取值。

a = ['Mary', 'had', 'a', 'little', 'lamb']
for i in range(len(a)):
   print(i, a[i])
   
(0, 'Mary')
(1, 'had')
(2, 'a')
(3, 'little')
(4, 'lamb')

4.2 while循环

while循环一般会设定一个终止条件,条件会随着循环的运行而发生变化,当条件满足时,循环终止。while循环可以通过条件制定循环次数,例如通过计数器来终止掉循环,如下所示,计数器count每循环一次自增1,但count为5时,while条件为假,终止循环。

count = 1
while count < 5:
    count = count + 1
    print(count)

2
3
4
5

以下是一个比较特殊的示例,演示如何按照指定条件循环而不考虑循环的次数,例如编写循环,使x不断减少,当x小于0.0001时终止循环,如下所示,循环了570次,最终x取值满足条件,循环终止。

x=10
count = 0 
while True:
    count = count + 1
    x = x - 0.02*x
    if x< 0.0001:
        break
print (x,count)

(9.973857171889038e-05, 570)

4.3 break、continue、pass

上例中while循环代码中使用了break表示满足条件时终止循环。此外,也可通过continue、pass对循环进行控制。Continue表示继续进行循环,例如如下代码尝试打印10以内能够被3整除的整数,注意continue和break的区别:

count = 0 
while count < 10:
    count = count + 1
    if count % 3 == 0:
        print(count)  
        continue

3
6
9

使用break:

count = 0 
while count < 10:
    count = count + 1
if count % 3 == 0:
        print(count)  
        break

3

pass语句一般是为了保持程序的完整性而作为占位符使用,例如以下代码中pass没有任何操作。

count = 0 
while count < 10:
    count = count + 1
    if count % 3 == 0:
        pass
else:
        print(count)

1
2
4
5
7
8
10

4.4 表达式

在Python中,诸如列表、元组、集合、字典都是可迭代对象,Python为这些对象的遍历提供了更加简洁的写法。例如如下列表对象x的遍历,且每个元素取值除以10:

x = [1,2,3,4,5]
[i/10 for i in x]
[0.1, 0.2, 0.3, 0.4, 0.5]

上述[i/10 for i in x]的写法称为列表表达式,这种写法比for循环更加简便。此外对于元组对象、集合对象、字典对象,这种写法依旧适用,最终产生一个列表对象。

x = (1,2,3,4,5) #元组
[i/10 for i in x]

[0.1, 0.2, 0.3, 0.4, 0.5]

x = set((1,2,3,4,5))#集合
[i/10 for i in x]

[0.1, 0.2, 0.3, 0.4, 0.5]

x = {'a':2,'b':2,'c':5}#字典
[i for i in x.keys()]

['a', 'c', 'b']

[i for i in x.values()]

[1, 3, 2]

此外Python还支持集合表达式与字典表达式用于创建集合、字典,例如如下形式创建集合:

{i for i in [1,1,1,2,2]} 

{1, 2}

字典表达式可以以如下方式创建:

{key:value for key,value in [('a',1),('b',2),('c',3)]}

{'a': 1, 'b': 2, 'c': 3}

04 Python的函数与模块

1. Python的函数

函数是用来封装特定功能的实体,可对不同类型和结构的数据进行操作,达到预定目标。像之前的数据类型转换函数入str,float等就属于函数。当然除了python的内置函数与第三方库的函数外,还可以自定义函数从而完成指定任务。

1.1 自定义函数示例

例如自定义求一个列表对象均值的函数avg,sum与len函数是python内置函数,分别表示求和与长度:

def avg(x):
    mean_x = sum(x)/len(x)
    return(mean_x)

运行完毕后,就可以调用该函数进行运算了:

avg([23,34,12,34,56,23])

30

1.2 函数的参数

函数的参数可以分为形式参数与实际参数,形式参数,形式参数作用于函数的内部,其不是一个实际存在的变量,当接受一个具体值时(实际参数),负责将具体值传递到函数内部进行运算,例如之前定义的函数avg,形式参数为x。

def avg(x):
    mean_x = sum(x)/len(x)
    return(mean_x)

实际参数即具体值,通过形式参数传递到函数内部参与运算并输出结果,刚才的例子中,实际参数为一个列表:

>avg([23,34,12,34,56,23])

函数参数的传递有两种方式:按位置和按关键字。当函数的形式参数过多时,一般采用按关键字传递的方式,通过形式参数名=实际参数的方式传递参数,如下所示,函数age有四个参数,可以通过指定名称的方式使用,也可按照顺序进行匹配:

def age(a,b,c,d):
    print(a)
    print(b)
    print(c)
    print(d)

age(a = 'young',b = 'teenager',c = 'median',d = 'old') #按关键字指定名称

young
teenager
median
old

age('young','teenager','median','old') #按位置顺序匹配

young
teenager
median
old

函数的参数中,亦可以指定形式参数的默认值,此时该参数称为可选参数,表示使用时可以不定义实际参数,例如如下例子,函数f有两个参数,其中参数L指定了默认值None:

def f(a, L=None):
    if L is None:
        L = []
    L.append(a)
    return L

使用该函数时,只需指定a参数的值,该函数返回一个列表对象,若不给定初始列表L,则创建一个列表,再将a加入到列表中:

f(3)

[3]

也可指定可选参数L的取值:

f(3,L = [1,2])

[1, 2, 3]

1.3 匿名函数lambda

Python中设定了匿名函数lambda,简化了自定义函数定义的书写形式。使得代码更为简洁。例如通过lambda函数定义一个函数g:

g = lambda x:x+1
g(1)

 2

该函数相当于如下自定义函数:

def g(x):
   return(x+1)
g(1)

2

2. Python的模块

为了编写可维护的代码,可以把很多函数分组,分别放到不同的文件里,这样,每个文件包含的代码就相对较少,很多编程语言都采用这种组织代码的方式。在Python中,一个.py文件就称之为一个模块(Module),其内容形式是文本,可以在IDE中或者使用常用的文本编辑器进行编辑。

  • 自定义模块

使用文本编辑器创建一个mod.py文件,其中包含一个函数,如下所示:

# module
def mean(x):
return(sum(x)/len(x))

使用自定义模块时,将mod.py放置在工作目录下,通过“import 文件名”命令载入:

import mod

在使用该模块的函数时,需要加入模块名的信息,如下:

mod.mean([1,2,3])

2

载入模块还有很多方式,如下(注意别名的使用):

import mod as m# as后表示别名
m.mean([1,2,3])

2

from modimport mean #从mod中载入指定函数mean
mean([1,2,3])

2

from modimport * # 从mod中载入所有函数
mean([1,2,3])

2
  • 载入第三方库

import命令还可以载入已经下载好的第三方库,使用方式与上面所展示的一致。例如,载入numpy模块:

import numpyas np

此时就可以使用Numpy模块中的函数了,例如Numpy中提供的基本统计函数:

x = [1,2,3,4,5]
np.mean(x)# 均值

3.0

np.max(x)# 最大值

5

np.min(x)# 最小值

1

np.std(x)# 标准差

1.41421356237

np.median(x)# 中位数

3.0

Numpy提供了强大的多维数组、向量、稠密矩阵、稀疏矩阵等对象,支持线性代数、傅里叶变换等科学运算,提供了C/C++及Fortron代码的整合工具。

Numpy的执行效率要比Python自带的数据结构要高效的多,在Numpy的基础上,研究者们开发了大量用于统计学习、机器学习等科学计算的框架,基于Numpy的高效率,这些计算框架具备了较好的实用性。可以说, Numpy库极大地推动了Python在数据科学领域的流行。

若不太清楚如何使用Python 中(含第三方包和库)的方法和对象,可以查阅相关文档或使用帮助功能,代码中获取帮助信息的方式有多种,比如如下几种:

?np.mean
??np.mean
help(np.mean)
np.mean??

05 pandas 读取结构化数据

Numpy中的多维数组、矩阵等对象具备极高的执行效率,但是在商业数据分析中,我们不仅需要一堆数据,还需要了解各行、列的意义,同时会有针对结构化数据的相关计算,这些是Numpy不具备的。为了方便分析,研究者们开发了Pandas用于简化对结构化数据的操作。

Pandas是一个基于Numpy开发的更高级的结构化数据分析工具,提供了Series、DataFrame、Panel等数据结构,可以很方便地对序列、截面数据(二维表)、面板数据进行处理。

DataFrame即是我们常见的二维数据表,包含多个变量(列)和样本(行),通常称为数据框;Series是一个一维结构的序列,会包含指定的索引信息,可以视作是DataFrame中的一列或一行,操作方法与DataFrame十分相似;Panel是包含序列及截面信息的三维结构,通常称为面板数据,通过截取会获得对应的Series和DataFrame。

由于这些对象的常用操作方法是十分相似的,本节读取与保存数据以及后续章节进行的数据操作,都主要使用DataFrame进行演示。

1. 读取数据

1.1 使用Pandas读取文件

Python的Pandas库提供了便捷读取本地结构化数据的方法,这里主要以csv数据为例。pandas.read_csv函数可以实现读取csv数据,读取方式见以下代码,其中'data/sample.csv'表示文件路径:

import pandas as pd
csv = pd.read_csv('data/sample.csv')
csv

id name   scores
0   1   小明     78.0
1   2   小红     87.0
2   3   小白     99.0
3   4   小青  99999.0
4   5   小兰      NaN

按照通常的惯例,Pandas会以pd做为别名,pd.read_csv读取指定路径下的文件,然后返回一个DataFrame对象。在命令行中打印DataFrame对象其可读性可能会略差一些,如果在jupyter notebook 中执行的话,则DataFrame的可读性会大幅提升:

▲图3-2 jupyter notebook中的DataFrame展现

打印出来的DataFrame包含了索引(index,第一列),列名(column,第一行)及数据内容(values,除第一行和第一列之外的部分)。

此外,read_csv函数有很多参数可以设置,这里列出常用参数,如表3-3所示。

参数

说明

filepath_or_buffer

csv文件的路径

sep = ','

分隔符,默认逗号

header = 0

int或list of ints类型,0代表第一行为列名,若设定为None将使用数值列名

names = [...]

list,重新定义列名,默认None

usecols = [...]

list,读取指定列,设定后将缩短读取数据的时间与内存消耗,适合大数据量读取,默认None

dtype = {...}

dict,定义读取列的数据类型,默认None

nrows = None

int类型,指定读取大数据量的前多少行,默认None

na_values = ...

str类型,list或dict,指定读取为缺失值的值

na_filter = True

bool类型,自动发现数据中的缺失值功能,默认打开(True),若确定数据无缺失可以设定为False以提高数据载入的速度

chunksize = 1000

int类型,分块读取,当数据量较大时可以设定分块读取的行数,默认为None,若设定将返回一个迭代器

encoding = 'utf-8'

str类型,数据的编码,python3默认为'utf-8',python2默认为'ascii'

▲表3-3 pandas.read_csv参数一览

Pandas除了可以直接读取csv、Excel、Json、html等文件生成DataFrame,也可以从列表、元组、字典等数据结构创建DataFrame,

1.2 读取指定行和指定列

使用参数usecol和nrows读取指定的列和前n行,这样可以加快数据读取速度。如下所示,读取原数据的两列、两行:

csv = pd.read_csv('data/sample.csv',\
                   usecols=['id','name'],\
                   nrows=2) #读取'id'和'name'两列,仅读取前两行
csv

id name
0   1   小明
1   2   小红

1.3 使用分块读取

参数chunksize可以指定分块读取的行数,此时返回一个可迭代对象,这里big.csv是一个4500行4列的csv数据,这里设定chunksize=900,分5块读取数据,每块900行,4个变量,如下所示:

csvs = pd.read_csv('data/big.csv',chunksize=900)
for i in csvs:
   print (i.shape)

(900, 4)
(900, 4)
(900, 4)
(900, 4)
(900, 4)

可以使用pd.concat函数再读取全部数据。

csvs = pd.read_csv('data/big.csv',chunksize=900)
dat = pd.concat(csvs,ignore_index=True)
dat.shape

(4500, 4)

1.4 缺失值操作

使用na_values参数指定预先定义的缺失值,数据sample.csv中,“小青”的分数有取值为99999的情况,这里令其读取为缺失值,操作如下

csv = pd.read_csv('data/sample.csv',
                  na_values='99999')
csv

id name  scores
0   1   小明    78.0
1   2   小红    87.0
2   3   小白    99.0
3   4   小青     NaN
4   5   小兰     NaN

1.5 文件编码

读取数据时,常遇到乱码的情况,这里需要先弄清楚原始数据的编码形式是什么,再以指定的编码形式进行读取,例如sample.csv编码为'utf-8',这里以指定编码(参数encoding)读取。

csv = pd.read_csv('data/sample.csv',
                  encoding='utf-8')
csv

id name   scores
0   1   小明     78.0
1   2   小红     87.0
2   3   小白     99.0
3   4   小青  99999.0
4   5   小兰      NaN

2. 写出数据

pandas的数据框对象有很多方法,其中方法“to_csv”可以将数据框对象以csv格式写入到本地中。to_csv方法的常见参数见表3-4:

参数

解释

path_or_buf

写到本地csv文件的路径

sep = ','

分隔符,默认逗号

na_rep = ''

缺失值写入代表符号,默认''

header = True

bool,是否写入列名,默认True

cols = [...]

list,写入指定列,默认None

index = True

bool,是否将行数写入指定列,默认true

encoding = str

str,以指定编码写入

▲表3-4 pandas.to_csv参数一览

例如以以下方式写出,'data/write.csv'表示写出的路径,encoding = 'utf-8'表示以'utf-8'编码方式输出,index=False表示不写出索引列。

csv.to_csv('data/write.csv',encoding='utf-8',ind

关于作者:常国珍,数据科学专家和金融技术专家。北京大学会计学博士,中国大数据产业生态联盟专家委员会委员。

赵仁乾,数据科学家,在电信大数据和机器学习领域有丰富的实践经验。

张秋剑,大数据专家和金融行业技术专家,上海师范大学计算机科学技术硕士。

本文摘编自《Python数据科学:技术详解与商业实践》,经出版方授权发布。

延伸阅读《Python数据科学》

转载请联系微信:togo-maruko

推荐语:本书从3个维度展开,技术维度:全面讲解数据分析、数据挖掘和机器学习的核心技术;业务维度,围绕具体的业务生命周期展开技术知识点的讲解;实践维度,列举的全部是商业案例,通过案例为数据科学从业者提供工作模板。

原文发布于微信公众号 - 大数据(hzdashuju)

原文发表时间:2018-12-20

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

扫码关注云+社区

领取腾讯云代金券