pandas文件读取与数据分析-excel,txt,pickle

pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。pandas提供了一些用于将表格型数据读取为DataFrame对象的函数，其中常用read_csv和read_table读取文件。

---

read_csv和read_table都是是加载带分隔符的数据，每一个分隔符作为一个数据的标志，但二者读出来的数据格式还是不一样的，read_table是以制表符 \t 作为数据的标志，也就是以行为单位进行存储。
重要的函数

读取函数	写入函数
read_csv	to_csv
read_excel	to_excel
read_hdf	to_hdf
read_sql	to_sql
read_json	to_json
read_html	to_html
read_stata	to_stata
read_clipboard	to_clipboard
read_pickle	to_pickle

假设表格

a	b	c	d	e
1	4	0	1	3
2	2	2	2	2
3	1	4	1	1
4	3	0	4	0

写入数据

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
# generate some data

# 通过数组创建
arr = [0, 1, 2, 3, 4]
df = pd.Series(arr) # 如果不指定索引，则默认从 0 开始
#生成时间序列
dates = pd.date_range('20160101', periods=6)
#index相当于索引参考数据库中的索引，即行。生成DataFrame的第一种方式：通过np来生成
df = pd.DataFrame(np.random.randn(6,4), index=dates, columns=['A','B','C','D'])
#生成DataFrame的第二种方式：通过字典生成
df2 =pd.DataFrame({'A' : 1.,
                   'B' : pd.Timestamp('20160102'),
                    'C' : pd.Series(1,index=list(range(4)),dtype='float32'),
                    'D' : np.array([3] * 4,dtype='int32'),
                    'E' : pd.Categorical(["test","train","test","train"]),
                    'F' : 'foo'})
# 按行排序               
df.sort_index(axis=1, ascending=False)
# 按某一列进行排序
df.sort_values(by=‘B’)
# 第1-3行、A和C列的数据
print(df.ix[:3, ['A', 'C']])
#选择df中A列表大于0的所有的行数据
print(df[df["A"] > 0])
# 添加数据
df['F'] = np.nan
# 剔除df中有Nan的行(也可单独对某一列进行处理)
print(df.dropna(axis=0, how='any')) 
# how={'any', 'all'}：any有一个Nan即剔除；all全部为Nan即剔除。
#将Nan值填充为0
print(df.fillna(value=0))

#显示出pd的A列中值是否为Nan；是为True否为False
print(df["A"].isnull())
#进一步处理
#判断pd中是否有nan，有的话返回True，没有的话返回False。any：只要包含一个true则返回true
print(np.any(pd.isnull(df))==True)
# 将三个df进行合并，按行合并，ignore_index：忽略三个df之前的索引
res = pd.concat([df1, df2, df3], axis=0, ignore_index=True)
df0 = pd.DataFrame({"foo": range(5), "bar": range(5, 10)})
print(df0)

结果

   foo  bar
0    0    5
1    1    6
2    2    7
3    3    8
4    4    9

# add new columns is y
df0['y']=0
print(df0)

out:
   foo  bar  y
0    0    5  0
1    1    6  0
2    2    7  0
3    3    8  0
4    4    9  0

# write data
pd.to_pickle(df0, "dummy.pkl")
# read pickle
udf = pd.read_pickle("t.pkl")
df0.to_csv("t.csv",header=True, index=False)
df0.to_csv("t.txt")
df0.to_excel("t.xlsx")

读取txt

在txt文件中，有时候解析的数据并非逗号或者分号分隔，对于此种情况，正则表达式就能派上用场。sep选项指定正则表达式。
正则表达式

通配符	描述
.	除换行符（\n、\r）之外的任何单个字符
\d	一个数字字符，等价于[0-9]
\D	一个非数字字符，等价于 [^0-9]
\s	任何空白字符，包括空格、制表符、换页符等等，等价于 [\f\n\r\t\v]
\S	任何非空白字符，等价于 [^ \f\n\r\t\v]
\n	换行符
\t	制表符
\uxxxx	用十六进制数字xxxx表示的Unicode字符

例如随意写一个t.txt,元素随机以制表符或空格分隔
a b c d
1 2 4 5
2 3 3 3
3 2 2 2
1 0 10 0

import numpy as np
import pandas as pd
df=pd.read_table('t.txt', sep='\s+')
print(df)

sep=’\s+'表示根据任意空白字符来分割
结果

   a  b   c  d
0  1  2   4  5
1  2  3   3  3
2  3  2   2  2
3  1  0  10  0

写入excel

df0.to_csv("t.csv",header=True, index=False)
df0.to_csv("t.csv")
df0.to_excel("t.xlsx")

xlrd写入excel
有多个数据需要写入多个excel的工作簿，这时需要调用通过ExcelWriter()方法打开一个已经存在的excel表格作为writer，然后通过to_excel()方法将需要保存的数据逐个写入excel，最后关闭writer。

# 创建一个空的excel文件
nan_excle = pd.DataFrame()
nan_excel.to_excel(path + filename)

# 打开excel
writer = pd.ExcelWriter(path + filename)
#sheets是要写入的excel工作簿名称列表
for sheet in sheets:
　　output.to_excel(writer, sheet_name=sheet)

# 保存writer中的数据至excel
# 如果省略该语句，则数据不会写入到上边创建的excel文件中
writer.save()

读取excel

c=pd.read_table('data.csv',nrows=5)  # 只读了前5行
print c
print(c.head())
print ('去掉列名和索引')
print c.values
print '\t'
print ('行列数')
c.values.shape
# when no header
csvframe=pd.read_csv("T.csv",header=None) #读取无表头的csv文件
# skiprows 参数跳过不需要的行：
df=pd.read_csv('t.csv', skiprows=[0, 2, 3])
df=pd.read_excel('a.xlsx', 'Sheet1', index_col=None, na_values=['NA']) 
df.to_excel('foo.xlsx', sheet_name='Sheet1')

使用xlrd读取excel文件：

import xlrd  
w= xlrd.open_workbook('a.xlsx')
sheetnames = w.sheet_names()

sheet1 = w.sheet_by_name(sheetnames[1])  
#通过sheet名称获取到第2张工作表
#或 sheet1 = w.sheets()[1] 
#或 sheet1 = w.sheet_by_index(1)

print('sheet名称列表：' + sheetnames)  
print('第1张工作表名称：' + sheet1.name)
print('列数：' + str(sheet1.ncols))
print('行数：' + str(sheet1.nrows))
print('第2行所有数据：' + str(sheet1.row_values(2))) # 包括列名这一行，从0算起，
print('第2列所有数据：' + str(sheet1.col_values(1)))

read_sql

read_sql_table只能读取数据库的某一个表格，不能实现查询的操作，而read_sql_query只能实现查询操作，不能直接读取数据库中的某个表，read_sql是两者的结合。

pd.read_sql_table(table_name,con,schema=None,index_col=None,coerce_float=True,columns=None)
pd.read_sql_query(sql,con,index_col=None,coerce_float=True)
pd.read_sql(sql,con,index_col=None,coerce_float=True,columns=None)

Demo

import pandas as pd
import numpy as np
data = {'animal': ['cat', 'cat', 'snake', 'dog', 'dog', 'cat', 'snake', 'cat', 'dog', 'dog'],
        'age': [2.5, 3, 0.5, np.nan, 5, 2, 4.5, np.nan, 7, 3],
        'visits': [1, 3, 2, 3, 2, 3, 1, 1, 2, 1],
        'priority': ['yes', 'yes', 'no', 'yes', 'no', 'no', 'no', 'yes', 'no', 'no']}

labels = ['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j']

df = pd.DataFrame(data, index=labels)

# 1、计算每个不同种类animal的age的平均数
df.groupby('animal')['age'].mean()
# 2、计算df中每个种类animal的数量
df['animal'].value_counts()
# 3、先按age降序排列，后按visits升序排列
df.sort_values(by=['age', 'visits'], ascending=[False, True])
# 4、将priority列中的yes, no替换为布尔值True, False
df['priority'] = df['priority'].map({'yes': True, 'no': False})
# 5、将animal列中的snake替换为python
df['animal'] = df['animal'].replace('snake', 'python')

# 6、对每种animal的每种不同数量visits，计算平均age，即，返回一个表格，行是aniaml种类，列是visits数量，表格值是行动物种类列访客数量的平均年龄
df.pivot_table(index='animal', columns='visits', values='age', aggfunc='mean')

# 7、有一列整数列A的DatraFrame，删除数值重复的行
#判断是否有重复项用duplicated()函数判断  
#有重复项，则可以用drop_duplicates()移除重复项
df1 = df.drop_duplicates(subset='A')
print(df1)

#8、一个全数值DatraFrame，每个数字减去该行的平均数
df = pd.DataFrame(np.random.random(size=(5, 3)))
print(df)
df1 = df.sub(df.mean(axis=1), axis=0)
print(df1)

#9、一个有5列的DataFrame，求哪一列的和最小
df = pd.DataFrame(np.random.random(size=(5, 5)), columns=list('abcde'))
print(df)
df.sum().idxmin()

#10、给定DataFrame，求A列每个值的前3大的B的和
df = pd.DataFrame({'A': list('aaabbcaabcccbbc'), 
                   'B': [12,345,3,1,45,14,4,52,54,23,235,21,57,3,87]})
print(df)
df1 = df.groupby('A')['B'].nlargest(3).sum(level=0)
print(df1)

#11、给定DataFrame，有列A, B，A的值在1-100（含），对A列每10步长，求对应的B的和
df = pd.DataFrame({'A': [1,2,11,11,33,34,35,40,79,99], 
                   'B': [1,2,11,11,33,34,35,40,79,99]})
print(df)
df1 = df.groupby(pd.cut(df['A'], np.arange(0, 101, 10)))['B'].sum()
print(df1)

#12、给定DataFrame，计算每个元素至左边最近的0（或者至开头）的距离，生成新列y
df = pd.DataFrame({'X': [7, 2, 0, 3, 4, 2, 5, 0, 3, 4]})

izero = np.r_[-1, (df['X'] == 0).to_numpy().nonzero()[0]] # 标记0的位置
idx = np.arange(len(df))
df['Y'] = idx - izero[np.searchsorted(izero - 1, idx) - 1]
print(df)

# 方法二
# x = (df['X'] != 0).cumsum()
# y = x != x.shift()
# df['Y'] = y.groupby((y != y.shift()).cumsum()).cumsum()

# 方法三
# df['Y'] = df.groupby((df['X'] == 0).cumsum()).cumcount()
#first_zero_idx = (df['X'] == 0).idxmax()
# df['Y'].iloc[0:first_zero_idx] += 1

#13、一个全数值的DataFrame，返回最大3值的坐标
df = pd.DataFrame(np.random.random(size=(5, 3)))
print(df)
df.unstack().sort_values()[-3:].index.tolist()

#14、给定DataFrame，将负值代替为同组的平均值
df = pd.DataFrame({'grps': list('aaabbcaabcccbbc'), 
                   'vals': [-12,345,3,1,45,14,4,-52,54,23,-235,21,57,3,87]})
print(df)

def replace(group):
    mask = group<0
    group[mask] = group[~mask].mean()
    return group

df['vals'] = df.groupby(['grps'])['vals'].transform(replace)
print(df)

#15、计算3位滑动窗口的平均值，忽略NAN
df = pd.DataFrame({'group': list('aabbabbbabab'),
                    'value': [1, 2, 3, np.nan, 2, 3, np.nan, 1, 7, 3, np.nan, 8]})
print(df)

g1 = df.groupby(['group'])['value']
g2 = df.fillna(0).groupby(['group'])['value'] 

s = g2.rolling(3, min_periods=1).sum() / g1.rolling(3, min_periods=1).count()

s.reset_index(level=0, drop=True).sort_index()


#16、创建Series s，将2015所有工作日作为随机值的索引
dti = pd.date_range(start='2015-01-01', end='2015-12-31', freq='B') 
s = pd.Series(np.random.rand(len(dti)), index=dti)
s.head(10)

#17、所有礼拜三的值求和
s[s.index.weekday == 2].sum() 
#18、求每个自然月的平均数
s.resample('M').mean()
#19、每连续4个月为一组，求最大值所在的日期
s.groupby(pd.Grouper(freq='4M')).idxmax()
#20、创建2015-2016每月第三个星期四的序列
pd.date_range('2015-01-01', '2016-12-31', freq='WOM-3THU')
# 数据清洗
df = pd.DataFrame({'From_To': ['LoNDon_paris', 'MAdrid_miLAN', 'londON_StockhOlm', 
                               'Budapest_PaRis', 'Brussels_londOn'],
              'FlightNumber': [10045, np.nan, 10065, np.nan, 10085],
              'RecentDelays': [[23, 47], [], [24, 43, 87], [13], [67, 32]],
                   'Airline': ['KLM(!)', ' (12)', '(British Airways. )', 
                               '12. Air France', '"Swiss Air"']})
print(df)
# FlightNumber列中有些值缺失了，他们本来应该是每一行增加10，填充缺失的数值，并且令数据类型为整数
df['FlightNumber'] = df['FlightNumber'].interpolate().astype(int)
print(df)
#22、将From_To列从_分开，分成From, To两列，并删除原始列
temp = df.From_To.str.split('_', expand=True)
temp.columns = ['From', 'To']
df = df.join(temp)
df = df.drop('From_To', axis=1)
df
#23、将From, To大小写统一
df['From'] = df['From'].str.capitalize()
df['To'] = df['To'].str.capitalize()
df
#24、Airline列，有一些多余的标点符号，需要提取出正确的航司名称。举例：'(British Airways. )' 应该改为 'British Airways'.
df['Airline'] = df['Airline'].str.extract('([a-zA-Z\s]+)', expand=False).str.strip()
df
#25、Airline列，数据被以列表的形式录入，但是我们希望每个数字被录入成单独一列，delay_1, delay_2, …没有的用NAN替代。
delays = df['RecentDelays'].apply(pd.Series)
delays.columns = ['delay_{}'.format(n) for n in range(1, len(delays.columns)+1)]
df = df.drop('RecentDelays', axis=1).join(delays)
df
#26、用 letters = ['A', 'B', 'C'] 和 numbers = list(range(10))的组合作为系列随机值的层次化索引
letters = ['A', 'B', 'C']
numbers = list(range(4))

mi = pd.MultiIndex.from_product([letters, numbers])
s = pd.Series(np.random.rand(12), index=mi)
s
#27、检查s是否是字典顺序排序的
s.index.is_lexsorted()
# 方法二
# s.index.lexsort_depth == s.index.nlevels
#28、选择二级索引为1, 3的行
s.loc[:, [1, 3]]
#29、对s进行切片操作，取一级索引从头至B，二级索引从2开始到最后
s.loc[pd.IndexSlice[:'B', 2:]]
# 方法二
# s.loc[slice(None, 'B'), slice(2, None)]

#30、计算每个一级索引的和（A, B, C每一个的和）
s.sum(level=0)
#方法二
#s.unstack().sum(axis=0)
#31、交换索引等级，新的Series是字典顺序吗？不是的话请排序
new_s = s.swaplevel(0, 1)
print(new_s)
print(new_s.index.is_lexsorted())
new_s = new_s.sort_index()
print(new_s)