數(shù)據(jù)分析過(guò)程中，需要對(duì)獲取到的數(shù)據(jù)進(jìn)行分析，往往第一步就是導(dǎo)入數(shù)據(jù)。導(dǎo)入數(shù)據(jù)有很多方式，不同的數(shù)據(jù)文件需要用到不同的導(dǎo)入方式，相同的文件也會(huì)有幾種不同的導(dǎo)入方式。下面總結(jié)幾種常用的文件導(dǎo)入方法。
大多數(shù)情況下，會(huì)使用NumPy或Pandas來(lái)導(dǎo)入數(shù)據(jù)，因此在開(kāi)始之前，先執(zhí)行：
import numpy as np
import pandas as pd
兩種獲取help的方法
很多時(shí)候?qū)σ恍┖瘮?shù)方法不是很了解，此時(shí)Python提供了一些幫助信息，以快速使用Python對(duì)象。
np.info(np.ndarray.dtype)
help(pd.read_csv)
一、文本文件
1、純文本文件
filename = 'demo.txt'
file = open(filename, mode='r') # 打開(kāi)文件進(jìn)行讀取
text = file.read() # 讀取文件的內(nèi)容
print(file.closed) # 檢查文件是否關(guān)閉
file.close() # 關(guān)閉文件
print(text)
使用上下文管理器 -- with
with open('demo.txt', 'r') as file:
print(file.readline()) # 一行一行讀取
print(file.readline())
print(file.readline())
2、表格數(shù)據(jù)：Flat文件
使用 Numpy 讀取 Flat 文件
Numpy 內(nèi)置函數(shù)處理數(shù)據(jù)的速度是 C 語(yǔ)言級(jí)別的。
Flat 文件是一種包含沒(méi)有相對(duì)關(guān)系結(jié)構(gòu)的記錄的文件。（支持Excel、CSV和Tab分割符文件 ）
- 具有一種數(shù)據(jù)類(lèi)型的文件
用于分隔值的字符串跳過(guò)前兩行。
在第一列和第三列讀取結(jié)果數(shù)組的類(lèi)型。
filename = 'mnist.txt'
data = np.loadtxt(filename,
delimiter=',',
skiprows=2,
usecols=[0,2],
dtype=str)
- 具有混合數(shù)據(jù)類(lèi)型的文件
兩個(gè)硬的要求：
filename = 'titanic.csv'
data = np.genfromtxt(filename,
delimiter=',',
names=True,
dtype=None)
使用 Pandas 讀取Flat文件
filename = 'demo.csv'
data = pd.read_csv(filename,
nrows=5, # 要讀取的文件的行數(shù)
header=None, # 作為列名的行號(hào)
sep='\t', # 分隔符使用
comment='#', # 分隔注釋的字符
na_values=['']) # 可以識(shí)別為NA/NaN的字符串
二、Excel 電子表格
Pandas中的ExcelFile()是pandas中對(duì)excel表格文件進(jìn)行讀取相關(guān)操作非常方便快捷的類(lèi)，尤其是在對(duì)含有多個(gè)sheet的excel文件進(jìn)行操控時(shí)非常方便。
file = 'demo.xlsx'
data = pd.ExcelFile(file)
df_sheet2 = data.parse(sheet_name='1960-1966',
skiprows=[0],
names=['Country',
'AAM: War(2002)'])
df_sheet1 = pd.read_excel(data,
sheet_name=0,
parse_cols=[0],
skiprows=[0],
names=['Country'])
使用sheet_names屬性獲取要讀取工作表的名稱(chēng)。
data.sheet_names
三、SAS 文件
SAS (Statistical Analysis System)是一個(gè)模塊化、集成化的大型應(yīng)用軟件系統(tǒng)。其保存的文件即sas是統(tǒng)計(jì)分析文件。
from sas7bdat import SAS7BDAT
with SAS7BDAT('demo.sas7bdat') as file:
df_sas = file.to_data_frame()
四、Stata 文件
Stata 是一套提供其使用者數(shù)據(jù)分析、數(shù)據(jù)管理以及繪制專(zhuān)業(yè)圖表的完整及整合性統(tǒng)計(jì)軟件。其保存的文件后綴名為.dta的Stata文件。
data = pd.read_stata('demo.dta')
五、Pickled 文件
python中幾乎所有的數(shù)據(jù)類(lèi)型（列表，字典，集合，類(lèi)等）都可以用pickle來(lái)序列化。python的pickle模塊實(shí)現(xiàn)了基本的數(shù)據(jù)序列和反序列化。通過(guò)pickle模塊的序列化操作我們能夠?qū)⒊绦蛑羞\(yùn)行的對(duì)象信息保存到文件中去，永久存儲(chǔ)；通過(guò)pickle模塊的反序列化操作，我們能夠從文件中創(chuàng)建上一次程序保存的對(duì)象。
import pickle
with open('pickled_demo.pkl', 'rb') as file:
pickled_data = pickle.load(file) # 下載被打開(kāi)被讀取到的數(shù)據(jù)
與其相對(duì)應(yīng)的操作是寫(xiě)入方法pickle.dump() 。
六、HDF5 文件
HDF5文件是一種常見(jiàn)的跨平臺(tái)數(shù)據(jù)儲(chǔ)存文件，可以存儲(chǔ)不同類(lèi)型的圖像和數(shù)碼數(shù)據(jù)，并且可以在不同類(lèi)型的機(jī)器上傳輸，同時(shí)還有統(tǒng)一處理這種文件格式的函數(shù)庫(kù)。
HDF5 文件一般以 .h5 或者 .hdf5 作為后綴名，需要專(zhuān)門(mén)的軟件才能打開(kāi)預(yù)覽文件的內(nèi)容。
import h5py
filename = 'H-H1_LOSC_4_v1-815411200-4096.hdf5'
data = h5py.File(filename, 'r')
七、Matlab 文件
其由matlab將其工作區(qū)間里的數(shù)據(jù)存儲(chǔ)的后綴為.mat的文件。
import scipy.io
filename = 'workspace.mat'
mat = scipy.io.loadmat(filename)
八、關(guān)系型數(shù)據(jù)庫(kù)
from sqlalchemy import create_engine
engine = create_engine('sqlite://Northwind.sqlite')
使用table_names()方法獲取一個(gè)表名列表
table_names = engine.table_names()
1、直接查詢(xún)關(guān)系型數(shù)據(jù)庫(kù)
con = engine.connect()
rs = con.execute('SELECT * FROM Orders')
df = pd.DataFrame(rs.fetchall())
df.columns = rs.keys()
con.close()
使用上下文管理器 -- with
with engine.connect() as con:
rs = con.execute('SELECT OrderID FROM Orders')
df = pd.DataFrame(rs.fetchmany(size=5))
df.columns = rs.keys()
2、使用Pandas查詢(xún)關(guān)系型數(shù)據(jù)庫(kù)
df = pd.read_sql_query('SELECT * FROM Orders', engine)
數(shù)據(jù)探索
數(shù)據(jù)導(dǎo)入后會(huì)對(duì)數(shù)據(jù)進(jìn)行初步探索，如查看數(shù)據(jù)類(lèi)型，數(shù)據(jù)大小、長(zhǎng)度等一些基本信息。這里簡(jiǎn)單總結(jié)一些。
1、NumPy Arrays
data_array.dtype # 數(shù)組元素的數(shù)據(jù)類(lèi)型
data_array.shape # 陣列尺寸
len(data_array) # 數(shù)組的長(zhǎng)度
2、Pandas DataFrames
df.head() # 返回DataFrames前幾行（默認(rèn)5行）
df.tail() # 返回DataFrames最后幾行（默認(rèn)5行）
df.index # 返回DataFrames索引
df.columns # 返回DataFrames列名
df.info() # 返回DataFrames基本信息
data_array = data.values # 將DataFrames轉(zhuǎn)換為NumPy數(shù)組
