pandas导入导出数据-【老鱼学pandas】

pandas可以读写如下格式的数据类型：

具体详见：http://pandas.pydata.org/pandas-docs/version/0.20/io.html

读取csv文件

我们准备了一个csv文件，格式类似为：

要读取此csv文件，方法为：

import pandas as pd
import numpy as np
data = pd.read_csv("D:\\data\\location.csv", encoding="GB2312")
print("data:")
print(data)

输出为：

data:
    城市   小区数量  行政区      道路    门牌号   建筑年代   经度坐标   纬度坐标    开发商   平均单价   平均租金
0  包头市   1388  100   99.27  20.68  11.16  99.85  99.85  26.15  95.89  80.40
1  北京市  16194  100   99.97  50.58  67.96  99.79  99.79  57.66  98.16  94.94
2  滨州市   1765  100   99.37  28.90   0.00  76.65  76.65   7.42  95.86  50.59
3  亳州市    249  100   99.59   5.62   0.00  90.36  90.36  29.31  96.38  53.41
4  常州市   2405  100  100.00  46.90  46.32  99.41  99.41  62.82  95.01  88.93
5  成都市  12660  100   99.92  85.49  60.39  99.88  99.88  50.34  98.94  94.32
6  东莞市   2493  100  100.00  20.78  62.49  98.43  98.43  71.11  98.75  89.81
7  东营市    709  100   98.16   9.87   2.25  93.08  93.08  15.09  94.64  65.16
8  佛山市   4945  100   99.81  54.18  19.81  99.53  99.53  30.05  93.73  88.55
9  福州市   3622  100   99.94  79.65  75.06  99.86  99.86  65.18  98.28  94.97

这里我第一次尝试运行时，由于没有设置正确的encoding导致出错，大家如果发生出错可以看下csv的编码格式，到底是UTF-8的还是GB2312的。

存储

存储的方法也比较简单，用to_xxx的函数，其中xxx用相应的格式代替就可以。
比如，我们调用to_pickle函数来存储成pickle格式的数据，其中pickle格式有点类似JAVA中序列化后的文件，也就是python内部定义的格式文件。
代码很简单：

data.to_pickle("d:\\data\\location.pickle")

这样在对应的磁盘上就生成了location.pickle文件，我们用编辑器打开看一下：

一堆看不懂的乱码：）。

下次如果想要读取这个pickle文件，也很简单，方法如下：

import pandas as pd
import numpy as np
data = pd.read_pickle("D:\\data\\location.pickle")
print("data:")
print(data)

输出为：

data:
    城市   小区数量  行政区      道路    门牌号   建筑年代   经度坐标   纬度坐标    开发商   平均单价   平均租金
0  包头市   1388  100   99.27  20.68  11.16  99.85  99.85  26.15  95.89  80.40
1  北京市  16194  100   99.97  50.58  67.96  99.79  99.79  57.66  98.16  94.94
2  滨州市   1765  100   99.37  28.90   0.00  76.65  76.65   7.42  95.86  50.59
3  亳州市    249  100   99.59   5.62   0.00  90.36  90.36  29.31  96.38  53.41
4  常州市   2405  100  100.00  46.90  46.32  99.41  99.41  62.82  95.01  88.93
5  成都市  12660  100   99.92  85.49  60.39  99.88  99.88  50.34  98.94  94.32
6  东莞市   2493  100  100.00  20.78  62.49  98.43  98.43  71.11  98.75  89.81
7  东营市    709  100   98.16   9.87   2.25  93.08  93.08  15.09  94.64  65.16
8  佛山市   4945  100   99.81  54.18  19.81  99.53  99.53  30.05  93.73  88.55
9  福州市   3622  100   99.94  79.65  75.06  99.86  99.86  65.18  98.28  94.97