10个方法：用Python执行SQL、Excel常见任务_python util

使用 Python 的最大优点之一是能够从网络的巨大范围中获取数据的能力，而不是只能访问手动下载的文件。在 Python 的requests 库可以帮助你分类不同的网站，并从它们获取数据，而 BeautifulSoup 库可以帮助你处理和过滤数据，那么你精确得到你所需要的。如果你要去这条路线，请小心使用权问题。

（不用担心，如果你想跳过这个部分，可以的！原始的 csv 文件在这里，你可以随意下载，如果你宁愿开始这个练习而不从网络上获取数据，或者你可以 git (https://rogerdudler.github.io/git-guide/) clone 整个存储库。）

在这个例子中，我们将获取许多国家人均 GDP（一个技术术语，意思是一个国家的人均收入）的维基百科表格，并在 Python 中使用 Pandas 库对数据进行排序。

首先，导入我们需要的库。有关 Python 中如何 import 的更多信息，请点击此处。

需要 Pandas 库处理我们的数据。需要 numpy 库来执行数值的操作和转换。我们需要 requests 库来从网站获取 HTML 数据。需要 BeautifulSoup 来处理这些数据。最后，需要 Python（re）的正则表达式库来更改在处理数据时将出现的某些字符串。

在 Python 中,不需要知道很多关于正则表达式的知识，但它们是一个强大的工具，可用于匹配和替换某些字符串或子字符串。如果你想了解更多，请参考以下内容。

2.信任这个网站的一些代码。

这是一个更具技术性的解释，详细说明如何使用 Python 代码来获取 HTML 表格。

你可以将上面的代码复制粘贴到你自己的 Anaconda 中，如果你用一些 Python 代码运行，可以迭代它！

下面是代码的输出，如果你不修改它，就是所谓的字典。

你会注意到逗号分隔起来的括号的key-value 列表。每个括号内的列表都代表了我们 dataframe 中的一行，每列都以 key 表示：我们正在处理一个国家的排名，人均 GDP（以美元表示）及其名称（用「国家」）。

有关数据结构，如列表和词典，如何在 Python 中的运行的更多信息，本篇将有所帮助。

幸运的是，为了将数据移动到 Pandas dataframe 中，我们不需要理解这些数据，**这是将数据聚合到 SQL 表或 Excel 电子表格的类似方式。**使用一行代码，我们已经将这些数据分配并保存到 Pandas dataframe 中 —— 事实证明是这种情况，字典是要转换为 dataframe 的完美数据格式。