干货:手把手教你用Python读写CSV、JSON、Excel及解析HTML

导读:本文要介绍的这些技法,会用Python读入各种格式的数据,并存入关系数据库或NoSQL数据库。

作者:托马兹·卓巴斯(Tomasz Drabas)

本文摘编自《数据分析实战》,如需转载请联系我们

本文的源代码与数据集都可在Github上获取。如果要复制代码库,打开你的终端(Windows环境下的命令行、Cygwin或Git Bash,Linux/Mac环境下的Terminal),键入下面这条命令:

git clone

https://github.com/drabastomek/practicalDataAnalysisCookbook.git

注意,你的机器得装好Git了。安装指南参见:

https://git-scm.com/book/en/v2/Getting-Started-Installing-Git

我们将使用一个数据集,包含985项真实的房产交易。这些交易是连续5天内在Sacramento发生的。数据下载自:

https://support.spatialkey.com/spatialkey-sample-csv-data/

精确地说,来自:

数据已转成多种格式,放在GitHub代码库的Data/Chapter01文件夹中。

另外,你会学到如何从HTML文件中检索信息。出于这个目的,我们将使用Wikipedia上字母A打头的机场列表:

https://en.wikipedia.org/wiki/List_of_airports_by_IATA_code:_A

我们将使用OpenRefine清理我们的数据集;它很擅长数据的读取、清理以及转换数据。

01 用Python读写CSV/TSV文件

CSV和TSV是两种特定的文本格式:前者使用逗号分隔数据,后者使用\t符。这赋予它们可移植性,易于在不同平台上共享数据。

1. 准备

要实践这个技法,你要先装好pandas模块。这些模块在Anaconda发行版Python中都有。如果你装的是这个版本,就省事了。如果不是,那你得安装pandas并确保正确加载。

可以从

http://docs.continuum.io/anaconda/install

下载Anaconda。

如果你装了Python,没有pandas,你可以从

https://github.com/pydata/pandas/releases/tag/v0.17.1

下载,并按照文档安装到你的操作系统中。

http://pandas.pydata.org/pandas-docs/stable/install.html

此外没有要求了。

2. 怎么做

pandas模块提供了高性能的高级数据结构(比如DataFrame)以及一些基本的分析工具。

DataFrame是一种数据结构,有点像Excel表格,列代表数据集的维度(例如,人的身高和体重),行存储着数据(例如,1000个人的具体身高和体重数据)。参考:

http://pandas.pydata.org/pandas-docs/stable/dsintro.html#dataframe

这个模块提供了一些方法,便于读取各种格式的数据。下面这小块代码读取了CSV和TSV格式的数据,存入pandas DataFrame数据结构,然后写回到磁盘上(read_csv.py文件):

打开命令行控制台(Windows环境下可使用命令或Cygwin,Linux/Mac环境下可使用Terminal),执行这条命令:

你会看到类似这样的输出:

3. 原理

首先加载pandas,以使用DataFrame及相关方法来读写数据。注意,关键词as赋给pandas一个别名pd。这样在后面的代码中,使用DataFrame或read_csv(...)方法时,我们就不用写出包的全名了。我们将(用于读和写的)文件名分别存于变量r_filenameCSV(TSV)和w_filenameCSV(TSV)。

使用pandas的read_csv(...)方法读取数据。这个方法用途很广,接受一系列输入参数。但有一个参数是必需的,一个文件名或缓冲区,也就是一个打开的文件对象。要解析realEstate_trans.tsv文件,你要指定sep=‘\t’参数;默认情况下,read_csv(...)方法会推断文件使用的分隔符,不过我可不喜欢碰运气式编程,向来是指定分隔符的。

两个文件中的数据一模一样,所以你可以输出一些记录,看看文件是否正确读入。这可通过对DataFrame对象应用.head()方法达成,其中指的是要输出的行数。

将数据存于pandas DataFrame对象意味着,数据的原始格式并不重要;一旦读入,它就能保存成pandas支持的任何格式。在前面这个例子中,我们就将CSV文件中读取的内容写入了TSV文件。

无论读写,打开文件都要使用with open(…) as …:这个固定搭配。这种方式的优点在于,一旦完成了读写任务,即使由于某些原因抛出了异常,文件依然会正确关闭。

异常是指程序员写代码时期望之外的情况。

例如,假设你有一个文件,每行只包含一个数字:你打开这个文件,开始读取。每一行作为文本读入,你需要将文本转为一个整数——计算机可以将其作为数字理解(并处理)的数据结构,而非文本。

当数据中只有数字时一切安好。然而,你将会认识到,我们收集的数据在某些方面是有瑕疵的,那么,某些行包含一个字母而非数字时,文本到整数的转换会失败,而Python会抛出一个异常。

open(, ‘w’)会以写模式(w参数)打开指定的文件。也可以传入’r’指定以读模式打开文件。以’r+’模式打开文件允许数据的双向流动(读取和写入),这样你就可以在需要时往文件的末尾附加内容。你也可以指定rb或wb来处理二进制数据(而非文本)。

to_csv(…)方法将DataFrame的内容转换为可存储于文本文件的格式。你要指定分隔符,比如sep=‘,’,以及是否保存DataFrame的索引,默认是保存的。我们不希望存,所以要指定index=False。

用索引可以很方便地辨认、校准、访问DataFrame中的数据。索引可以是一列连续的数字(就像Excel中的行号)或日期;你还可以设定多列索引。索引列并不是数据(即便打印DataFrame对象时你会在屏幕上看到索引)。

要了解更多关于索引的内容,可访问:

http://pandas.pydata.org/pandas-docs/stable/indexing.html

4. 更多

这里介绍读写CSV、TSV文件最方便最快捷的方法。如果你不想把数据存于pandas的DataFrame数据结构,你可以使用csv模块。像下面这样读取文件(read_csv_alternative.py文件):

我们将标签和数据分别存储于csv(tsv)_labels和csv(tsv)_data两个列表。.reader(…)方法从文件中逐行读取数据。要创建.reader(…)对象,你要传入一个打开的CSV或TSV文件对象。另外,要读入TSV文件,你也得像DataFrame中一样指定分隔符。

csv模块也提供了csv.writer对象,可将数据以CSV/TSV格式存储。参见csv模块的文档:

https://docs.python.org/3/library/csv.html

5. 参考

查阅pandas文档中讲解reader_csv(…)和write_csv(…)的部分,了解更多可传入的参数。文档位于:

http://pandas.pydata.org/pandas-docs/stable/io.html#io-read-csv-table

02 用Python读写JSON文件

JSON的全称是JavaScript Object Notation。这是个嵌套的、类似字典的结构,以逗号为分隔符,存储键值对;键与值之间以冒号分隔。JSON格式独立于具体平台(就像XML,我们将在 用Python读写XML文件介绍),便于平台之间共享数据。

要深入了解JSON,可参考:

http://www.w3schools.com/json/

1. 准备

要实践这个技法,你要先装好pandas模块。此外没有要求了。

2. 怎么做

下面是读取JSON文件的代码。注意,我们假设已经引入了pandas模块,并以别名pd指代(read_json.py文件):

3. 原理

这段代码与前一节的类似。首先,指定JSON文件的名字——我们将其存于r_filenameJSON字符串中。然后,使用pandas的read_json(…)方法,传入r_filenameJSON。

读出的数据存储于json_read这一DataFrame对象。进而使用.tail(…)方法打印出最后10条数据。要写入一个JSON文件,你可以对DataFrame使用.to_json()方法,将返回的数据写进一个文件,类似用Python读写CSV/TSV文件中介绍的流程。

4. 更多

也可以使用json模块来读写JSON文件。可以使用下面的代码从JSON文件中读取数据(read_json_alternative.py文件):

这段代码将realEstate_trans.json文件中读出的数据存入json_read列表。这里对文件使用了.read()方法,将文件内容全部读入内存。下面的代码将数据存储于一个JSON文件:

5. 参考

参阅pandas文档中read_json的部分。文档位于:

http://pandas.pydata.org/pandas-docs/stable/io.html#io-json-reader

03 用Python读写Excel文件

以表格形式操作数据的文件格式中,Microsoft的Excel文件可以说是最流行的了。拿最新的XLSX格式来说,Excel可以在单个工作表中存储一百多万行及一万六千多列。

1. 准备

要实践这个技法,你要先装好pandas模块。此外没有要求了。

2. 怎么做

下面是读取JSON文件的代码。注意,我们假设已经引入pandas模块,并以pd指代(read_xlsx.py文件):

3. 原理

类似之前的例子。用pandas的ExcelFile(...)方法打开XLSX文件,并赋给xlsx_file对象。用.parse(...)方法读取指定工作表的内容,并存储于xlsx_read字典。注意,通过ExcelFile对象的.sheet_names属性,你可以访问Excel文件中的所有工作表。

创建xlsx_read字典时,我们使用了字典表达式,这个做法很Python:不是显式地遍历工作表,将元素添加到字典,而是使用字典表达式,让代码更可读、更紧凑。

表达式效仿数学上的表示方法,这让代码更容易理解。比方说,2的幂次的列表:(A = (2^0, 2^1, 2^2, …, 2^8) = (2^x: 0

另外,Python里,表达式也比显式的循环要快那么一点点。

http://stackoverflow.com/questions/22108488/are-list-comprehensions-and-functional-functions-faster-than-for-loops

range(, )函数生成了从到-1的一列整数。例如,range(0, 3)生成的序列是0,1,2.

存储数据到Excel文件中也很简单。仅需调用.to_excel(...)方法,第一个参数传你要保存数据的文件名,第二个参数传工作表的名字。在我们的例子中,我们还指定了index=False,这样不会保存索引;默认情况下,.to_excel(...)方法保存A列的索引。

4. 更多

读取Excel文件,除了用pandas的read_excel(...)方法,你也可以选择其它Python模块。pandas使用xlrd读取数据并转成DataFrame。

https://secure.simplistix.co.uk/svn/xlrd/trunk/xlrd/doc/xlrd.html?p=4966

对于XLSX文件,你也可以使用openpyxl模块(read_xlsx_alternative.py文件):

首先,读取Excel文件,存入xlsx_wb(工作簿)。从工作簿中提取所有工作表的名字,并存入sheets变量。这里我们的工作簿中只有一个工作表,所以sheets变量就等于'Sacramento'。我们用它创建一个xlsx_ws对象,以遍历所有的行:

第一行是所有列的标签,最好还是单独存储——我们放到labels变量中。进而使用.rows迭代器,遍历工作表中每一行,将所有单元格中的数据加入data列表:

代码最后打印出头10行的房屋价格。我们使用表达式生成价格的列表。如代码所示,对于列表对象,你可以调用.index(...)方法查找某一元素首次出现的位置。

5. 参考

查阅pandas文档中read_excel的部分。文档在

http://pandas.pydata.org/pandas-docs/stable/io.html#io-excel

另外,你可以访问

http://www.python-excel.org

找到一系列模块,可帮你处理.xls和.xlsx等Excel文件格式。

04 用Python读写XML文件

XML的全称是eXtensible Markup Language(扩展标记语言)。尽管不像前面介绍的格式那样流行,不少网络API还是支持XML编码的。

XML文档结构类似一棵树。读取内容时,我们首先访问根节点(通常来说,这个节点后面会跟着XML的声明;每个XML文档都要以这样的声明开头)。在我们的例子中,根节点是。一个...中包含了一系列...。

当心:xml模块不安全。处理未知来源的XML消息时必须得小心。攻击者可能访问本地文件,发动DoS攻击等等。

xml模块的文档参见:

https://docs.python.org/3/library/xml.html

1. 准备

要实践这个技法,你要先装好pandas和xml模块。此外没有要求了。

2. 怎么做

从XML文件直接向一个pandas DataFrame对象读入数据需要些额外的代码:这是由于XML文件有特殊的结构,需要针对性地解析。接下来的章节,我们会详细解释这些方法。源代码可在read_xml.py文件中找到:

3. 原理

我们一步步分析前面的代码。首先引用需要的模块。xml.etree.ElementTree是一个轻量级XML解析器,我们用它来解析文件的XML结构。和之前一样,分别将读取和写入的文件名定义为变量(r_filenameXML,w_filenameXML)。

使用read_xml(...)方法从XML文件读取数据:

这个方法只消传入文件名这一个参数。首先,打开文件。使用.parse(...)方法,我们由XML文件创建了一个树状结构并存入tree对象。接着,在tree对象上用.getroot()方法提取根节点:这是进一步处理数据的前提。最后一行调用iter_records方法,传入根节点的引用,进而将返回的信息转换成DataFrame:

iter_records方法是一个生成器:顾名思义,这个方法生成一些值。普通方法结束时(return语句)一次性返回所有的值;生成器不同,每次只向调用方返回一个值(即yield关键字),直到结束。

更深入地讨论生成器,建议阅读

https://www.jeffknupp.com/blog/2013/04/07/improve-your-python-yield-and-generators-explained/

我们的iter_records方法,每读入一行,就返回一个temp_dict字典对象给read_xml方法。字典中每个元素的键名对应XML中元素的var_name属性。(有这样的格式:。)

标签可能有其它名字的属性——这些属性会存在.attrib字典(XML树节点一个属性)并通过各自的名字访问——参考代码中高亮的部分。

的值(...内的部分)可通过XML节点的.text属性访问,而.tag属性存储其名字(这个例子中就是var)。

read_xml方法的return语句从传入的所有字典中创建一个列表,转换成DataFrame。

我们使用write_xml(...)方法,以XML格式写入数据:

这个方法打开xmlFileName参数指定的文件。每个XML文件需要以XML声明开头(参考本技法的导论)。接着,我们写了XML schema的根节点,。

接下来就是写数据。使用DataFrame对象的.apply(...)方法遍历内部每一行。第一个参数指定了要应用到每行记录上的方法。axis参数的默认值为0。意味着指定的方法会应用到DataFrame的每一列上。指定为1,我们让.applay(...)方法将指定的xml_encode(...)方法应用到DataFrame的每一行上。使用xml_encode(...)方法处理data DataFrame的每一行:

代码生成了一个字符串列表,xmlItem。列表的首元素是,尾元素是。对行中每个字段,我们以>的格式封装,并加进字符串列表。加粗部分指的是列名()和对应的值()。

解析完所有字段后,使用'\n'.join(...)方法,将xmlItem列表中所有项连接成一个长字符串。...标签之间以\n分隔。这个字符串被返回给调用方(write_xml)。记录在write_xml(...)方法中进一步连接,并输出到文件。最后加上闭合标签,大功告成。

05 用pandas解析HTML页面

尽管以前面介绍的格式保存数据是最常见的,我们有时还是要在网页表格中查找数据。数据的结构通常包含在标签内。本技法会介绍如何从网页获取数据。

1. 准备

要实践这个技巧,你要先装好pandas和re模块。re是Python的正则表达式模块,我们用它来清理列名。另外,使用pandas 的read_html(...)方法要预装html5lib模块。如果你使用的是Anaconda发行版Python,使用下面的命令就可以:

conda install html5lib

如果不是,你可以从

https://github.com/html5lib/html5lib-python

下载源代码。解压,手动安装模块:

cd html5lib-python-parser

python setup.py install

此外没有要求了。

2. 怎么做

pandas可以很方便地访问、提取、解析HTML文件。两行代码就能搞定。retrieve_html.py可不止两行,这些我们下一环节再讨论:

3. 原理

pandas 的read_html(...)方法解析HTML文件的DOM结构,从所有table节点中提取数据。第一个参数可以是URL、文件或HTML标签原始字符串。第二个参数指定header = 0,忽略了表头。

read_html(...)方法返回了一个DataFrame对象的列表,每项对应于HTML文件中一个table。Wikipedia的机场页面只包含了一个table,所以我们只要取DataFrame列表的首元素。是的,就是这样!机场列表已经在url_read对象中了。

拿到的数据还有两点瑕疵:列名包含空白字符,数据包含分隔行。对于名字中可能包含多种空白字符(空格符、制表符等)的问题,我们使用re模块:

首先,编译那个匹配出至少一个空白字符的正则表达式。

对正则表达式的详细讨论超出了本书的知识范围。关于这个主题,有个知识手册写得挺好的:

https://www.packtpub.com/application-development/mastering-python-regular-expressions

或者参考re模块的文档:

https://docs.python.org/3/library/re.html

然后循环处理列,找到空白字符(space.search(...))时,将列名拆开(space.split(...))存入列表。以’_’为间隔,连接列表元素。如果不含空白字符,就将原始列名加入列表。使用下面这行代码处理DataFrame中的列名:

查看Wikipedia上的机场表,你会发现它根据前两个字母分组,组与组之间有分隔行。分隔行中缺失了其它列。为了处理这个问题,我们使用DataFrame的.dropna (...)方法。

pandas有多种方法用于处理NaN(Not a Number)情况。估算缺失值会介绍.fillna (...)方法。

.dropna (...)方法删掉缺少任意字段数据的行(或者列)。调用.dropna (...)时很容易不传任何参数,这样即便是合理的行,只要缺了夏时制(Daylight Saving Time, DST)或国际民航组织机场代码,也会被删掉。我们可以设道门槛。

粗粗浏览下数据可以发现,有些合理的行最多会缺两个字段。参数inplace=True直接在原来的DataFrame对象上移除数据,而非复制出一个DataFrame、清理后再返回;默认值是inplace=False:

移除一些行后,DataFrame的索引会产生空洞。可以使用这行代码:

下面这行代码输出头10行IATA代码及对应的机场名:

如果想取出不止一列,可以以列表的形式传入;在我们的例子中,就是['IATA', 'Airport_name']。下面的代码是等效的:

关于作者:托马兹·卓巴斯(Tomasz Drabas)微软数据科学家,致力于解决高维特征空间的问题。他有超过13年的数据分析和数据科学经验:在欧洲、澳大利亚和北美洲三大洲期间,工作领域遍及高新技术、航空、电信、金融和咨询。

本文摘编自《数据分析实战》,经出版方授权发布。

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20181113B1Y2RY00?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 yunjia_community@tencent.com 删除。

扫码关注云+社区

领取腾讯云代金券