【pandas基础】–数据读取

数据读取是第一步，只有成功加载数据之后，后续的操作才有可能。

pandas可以读取和导入各种数据格式的数据，如CSV，Excel，JSON，SQL，HTML等，不需要手动编写复杂的读取代码。

1. 各类数据源

pandas提供了导入各类常用文件格式数据的接口，这里介绍3种最常用的加载数据的接口。

1.1 从 CSV 文件读取数据

读取csv文件的接口：read_csv()

import pandas as pd

# 此csv中包含一些中国人口的统计信息
df = pd.read_csv("/path/to/china-population.csv")

df.head() # 显示前5条数据

1.2 从 excel 文件读取数据

读取excel文件的接口：read_excel ()
读取excel文件时，默认读取第一个sheet中的数据。

import pandas as pd

# 此excel中的数据与上面csv文件中的一样
df = pd.read_excel("/path/to/china-population.xlsx")

df.head() # 显示前5条数据

1.3 从网络中读取数据

除了从本地文件中读取数据之外，read_csv和 read_excel也可以直接从URL读取数据。
比如，上面的csv文件和excel文件可以从下面的地址下载。
http://databook.top:8888/pandas/china-population.csv
http://databook.top:8888/pandas/china-population.xlsx

可以直接将URL传给 read_csv和 read_excel，不用下载保存本地。

import pandas as pd

df = pd.read_csv("http://databook.top:8888/pandas/china-population.csv")
df_excel = pd.read_excel("http://databook.top:8888/pandas/china-population.xlsx")

2. 不同分隔符

csv 文件中默认用逗号,分隔不同的字段，不过，也有很多csv文件不用逗号分隔，用其他生僻的符号来分隔。

import pandas as pd

df = pd.read_csv("http://databook.top:8888/pandas/china-population-sep.csv")
df.head()

文件china-population-sep.csv用 |来分隔不同的字段，直接读取的话，变成只有一个字段。

这时，要明确设置分隔符。

import pandas as pd

df = pd.read_csv("http://databook.top:8888/pandas/china-population-sep.csv", sep="|")
df.head()

这样就得到了正确的数据结构。

3. 设置列名称

除了可以设置分隔符之外，读取数据时，也可以设置列的名称。
上面的例子中，列的名称都是字母的缩写，读取文件时可以替换成中文名称。

import pandas as pd

df = pd.read_csv(
    "http://databook.top:8888/pandas/china-population-sep.csv",
    sep="|",
    names=["年份数字", "年份", "指标编码", "指标名称", "人口数"],
)
df.head()

通过names参数设置列的名称，names参数是个列表，其中元素的个数一般与列的数目保持一致。
如果names中元素个数少于列的数目，那么多出来的列会作为索引（关于索引index，后续会详细介绍）。

import pandas as pd

df = pd.read_csv(
    "http://databook.top:8888/pandas/china-population-sep.csv",
    sep="|",
    names=["指标编码", "指标名称", "人口数"],
)
df.head()

如果 names中元素个数多于列的数目，多出来的元素作为新增的空白列。

import pandas as pd

df = pd.read_csv(
    "http://databook.top:8888/pandas/china-population-sep.csv",
    sep="|",
    names=["年份数字", "年份", "指标编码", "指标名称", "人口数", "列名称", "列名称2"],
)
df.head()

上面的例子中，我们应该发现了一个问题，设置 names作为新的列名称之后，原有的列名称被当成了实际的数据。
也就是：

设置新的列名称时，如果数据中包含列名称的话，需要忽略掉这个名称。
设置 header=0，忽略作为标题的第一行。
如果文件本来就没有标题的话，设置 header=None。

import pandas as pd

df = pd.read_csv(
    "http://databook.top:8888/pandas/china-population-sep.csv",
    sep="|",
    header=0,
    names=["年份数字", "年份", "指标编码", "指标名称", "人口数"],
)
df.head()

4. 随机生成数据

pandas支持从很多数据源读取数据，不过，有时候我们只想尝试尝试 pandas中的一些方法，并不想创建数据源。

这时，可以通过 numpy包创建一个随机的二维矩阵，直接将这个二维矩阵的数据导入 pandas即可。
下面的例子创建了一个10行3列的数据集。

import pandas as pd
import numpy as np

data = np.random.rand(10,3)
df = pd.DataFrame(data, columns=["data1", "data2", "data3"])
df.head()

通过临时创建的随机数据，可以尝试 pandas提供的各类接口。

5. 总结回顾

本篇了主要介绍了数据的读取方法，重点介绍的是 csv 文件的读取方式，因为这是最常用的数据源。
其他数据源的读取方式也大同小异，各种数据源的差异会体现在不同接口的参数上。

本文所用到的数据：

1. http://databook.top:8888/pandas/china-population.csv
2. http://databook.top:8888/pandas/china-population-sep.csv
3. http://databook.top:8888/pandas/china-population.xlsx

本文关联的微信视频号短视频：

原文链接：https://www.cnblogs.com/wang_yb/p/17371731.html