《Python 数据分析》笔记——数据的检索、加工与存储

数据的检索、加工与存储

1.利用Numpy和pandas对CSV文件进行写操作

对CSV文件进行写操作，numpy的savetxt()函数是与loadtxt()相对应的一个函数，他能以诸如CSV之类的区隔型文件格式保存数组：

np.savetxt('np.csv',a,fmt='%.2f',delimiter=',',header="#1,#2,#3,#4")

上面的函数调用中，我们规定了用以保存数组的文件的名称、数组、可选格式、间隔符（默认为空格符）和一个可选的标题。

利用随机数组来创建pandas DataFrame,如下：

df=pd.DataFrame(a)

利用pandas的to_csv()方法可以为CSV文件生成一个DataFrame

df.to_csv('pd.csv',float_format='%.2f',na_rep="NAN!")

对于这个方法，我们需要提供文件名、类似于Numpy的savetxt()函数的格式化参数的可选格式串和一个表示NaN的可选字符串

2.Numpy.npy与pandas DataFrame

大部分情况下，用CSV格式来保存文件是不错的主意，因为大部分程序设计语言和应用程序都能处理这种格式，所以交流起来非常方便。然而，这种格式有一个缺陷，就是它的存储效率不是很高，原因是CSV及其他纯文本格式中含有大量空白符；而后来发明的一些文件格式，如zip、bzip和gzip等，压缩率则有了显著提升。

import numpy as np
import pandas as pd
from tempfile import NamedTemporaryFile
from os.path import getsize

np.random.seed(42)
a=np.random.randn(365,4)

tmpf=NamedTemporaryFile()
np.savetxt(tmpf,a,delimiter=',')
print("Size CSV file",getsize(tmpf.name))

tmpf=NamedTemporaryFile()
np.save(tmpf,a)
tmpf.seek(0)
loaded=np.load(tmpf)
print("shape",loaded.shape)
print("Size .npy file",getsize(tmpf.name))

df=pd.DataFrame(a)
df.to_pickle(tmpf.name)
print("Size pickled dataframe",getsize(tmpf.name))
print("DF from pickle\n",pd.read_pickle(tmpf.name))

Numpy为自己提供了一种专用的格式，称为.女朋友，可以用于存储Numpy数组。在进一步说明这种格式之前，我们先来生成一个365×4d的Numpy数组，并给各个元素填充上随机值。这个数组可以看成是一年中4个随机变量的每日观测值的模拟。这里我们使用Python标准的NamedTemporaryFile来存储数据，这些临时文件随后会自动删除。

下面将该数组存入一个CSV文件，并检查其大小，代码如下：

tmpf=NamedTemporaryFile()
np.savetxt(tmpf,a,delimiter=',')
print("Size CSV file",getsize(tmpf.name))

下面首先以Numpy.npy格式来保存该数组，随后载入内存，并检查数组的形状以及该.npy文件的大小，具体代码如下所示：

tmpf=NamedTemporaryFile()
np.save(tmpf,a)
tmpf.seek(0)
loaded=np.load(tmpf)
print("shape",loaded.shape)
print("Size .npy file",getsize(tmpf.name))

为了模拟该临时文件的关闭与重新打开过程，我们在上面的代码中调用了seek()函数。数组的形状以及文件大小如下所示：

Shape(365,4)
Size .npy file 11760

不出所料，.npy文件的大小只有CSV文件的1/3左右。实际上，利用Python可以存储任意复杂的数据结构。也可以序列化格式来存储pandas的DataFrame或者Series数据结构。

提示：

在Python中，pickle是将Python对象存储到磁盘或其他介质时采用的一种格式，这个格式化的过程叫做序列化（pickling）.之后，我们可以从存储器中重建该Python对象，这个逆过程称为反序列化（unpickling）.

首先用前面生成的Numpy数组创建一个DataFrame,接着用to_pickle()方法将其写入一个pickle对象中，然后用read_pickle()函数从这个pickle对象中检索该DataFrame:

df=pd.DataFrame(a)
df.to_pickle(tmpf.name)
print("Size pickled dataframe",getsize(tmpf.name))
print("DF from pickle\n",pd.read_pickle(tmpf.name))

该DataFrame经过序列化后，尺寸略大于.npy文件。

3.使用PyTables 存储数据

层次数据格式（HDF）是一种存储大型数值数据的技术规范，起源于超级计算社区，目前已经成为一种开放的标准。这里用HDF5，该版本仅仅通过组（group）和数据集（dataset）这两种基本结构来组织数据。数据集可以是同类型的多维数组，而组可以用来存放其他组或者数据集。这里的“组”跟层次式文件系统中的“目录”非常像。

HDF5最常见的两个主要Python程序库是：

1.h5y

2.PyTables

本例中使用的是PyTables。不过，这个程序库需要用到一些依赖项，比如：

1.Numpy

2.numexpr:该程序包在计算包含多种运算的数组表达式时，其速度要比Numpy快许多倍

3.HDF5:如果使用HDF5的并行版本，则还需要安装MPI.

据Numexpr自称，它在某些方面的运算速度要比Numpy快得多，因为它支持多线程，并且自己得虚拟机是C语言实现得。

此外，我们需要生成一些随机数，并用它们来给一个Numpy数组赋值。下面创建一个HDF5文件，并把这个Numpy数组挂载到根结点上

from tempfile import NamedTemporaryFile
import numpy as np
from os.path import getsize

a=np.random.randn(365,4)
tmpf=NamedTemporaryFile()
h5file=tables.openfile(tmpf.name,mode='w',title="Numpy Array")
root=h5file.root
h5file.createArray(root,"array",a)
h5file.close()

#读取这个HDF5,并显示文件大小
h5file=tables.openfile(tmpf.name,"r")
print(getsize(tmpf.name))

通过遍历取为里面的数据

for node in h5file.iterNodes(h5file.root):
    b=node.read()
    print(type(b),b.shape)

4.Pandas DataFrame与HDF5仓库之间的读写操作

HDFStore类可以看作是pandas中负责HDF5数据处理部分的一种抽象。借助一些随机数据和临时文件，可以很好地展示这个类地功能特性，具体步骤如下所示：

将临时文件地路径传递给HDFStore的构造函数，然后创建一个仓库：

store=pd.io.pytables.HDFStore(tmpf.name)
print(store)

上述代码将打印输出该仓库的文件路径及其内容，不过，此刻他还没有任何内容。

HDFStore提供了一个类似字典类型的接口，如我们可以通过pandas中DataFrame的查询键来存储数值。为了将包含随机数据的一个DataFrame存储到HDFStore中，可以使用下列代码：

store['df']=df
print(store)

我们可以用三种方式来访问DataFrame,分别是：使用get()方法访问数据，利用类似字典的查询键访问数据，或者使用点运算符号来访问数据：

print("Get",store.get('df').shape)
print("Lookup",store['df'].shape)
print("Dotted",store.df.shape)

该DataFrame的形状同样也可以通过3种不同的方式进行访问

为了删除仓库中的数据，我们既可以使用remove()方法，也可以使用del运算符。当然，每个数据只能删除一次。

del store['df']

属性 is_open的作用是指出仓库是否处于打开状态。为了关闭一个仓库，可以调用close()方法。下面代码展示关闭仓库的方法，并针对仓库的状态进行了相应的检查：

print("Before close",store.is_open)
store.close()
print("After close",store.is_open)

为读写HDF数据，pandas还提供了两种方法：一种是DataFrame的to_hdf()方法；另一种是顶级的read_hdf()函数。

df.to_hdf(tmpf.name,'data',format='table')
print(pd.read_hdf(tmpf.name,'data',where=['index>363']))

用于读写操作的应用程序接口的参数包括：文件路径、仓库中组的标识符以及可选的格式串。这里的格式有两种：一种是固定格式；一种是表格格式。固定格式的优点是速度要更快一些，缺点是无法追加数据，也不能进行搜索。表格格式相当于PyTables的Table结构，可以对数据进行搜索和选择操作。

5.使用pandas读写Excel文件

现实中许多重要数据都是以Excel文件的形式存放的。当然，如果需要，也可以将其转换为可移植性更高的诸如CSV之类的格式。不过，利用Python来操作Excel文件会更加方便。在Python的世界里，为实现同一目标的项目通常不止一个，如提供Excel I/O操作功能的项目就是如此。只要安装了这些模块，就能让pandas具备读写Excel文件的能力，只是这些方面的说明文档不是很完备，其原因是pandas依赖的这些项目往往各自为战，并且发展极为迅猛。这些pandas程序包对于Excel文件也很挑剔，要求这些文件的后缀必须是.xls或者.xlsx；否则会报错。

模块openpyxl源于PHPExcel，它提供了针对.xlsx文件的读写功能。

模块xlsxwriter也需要读取.xlsx文件

模块xlrd能用来析取.xls和.xlsx文件中的数据。下面，我们先来生成用于填充pandas中DataFrame的随机数，然后用这个DataFrame创建一个Excel文件，接着再用Excel文件重建DataFrame,并通过mean()方法来计算其平均值。对于Excel文件的工作表，我们既可以为其指定一个从0开始计数的索引，也可以为其规定一个名称

import numpy as np
import pandas as pd
from tempfile import NamedTemporaryFile

np.random.seed(42)
a=np.random.randn(365,4)

tmpf=NamedTemporaryFile(suffix='.xlsx')
df=pd.DataFrame(a)
print(tmpf.name)
df.to_excel(tmpf.name,sheet_name='Random Data')
print("Means\n",pd.read_excel(tmpf.name,'Random Data').mean())

通过to_excel()方法创建Excel文件，有用顶级read_excel()函数来重建DataFrame

6.使用pandas读写JSON

pandas提供的read_json()函数，可以用来创建pandas Series或者pandas DataFrame数据结构。

import pandas as pd
json_str='{"country":"Netherlands","dma_code":"0","timezone":"Europe\/Amsterdam","area_code":"0","ip":"46.19.37.108","asn":"AS196752","continent_code":"EU","isp":"Tilaa V.O.F.","longitude":5.75,"latitude":52.5,"country_code":"NL","country_code3":"NLD"}'

data=pd.read_json(json_str,typ='series')
print("Series\n",data)

data["country"]="Brazil"
print("New Series\n",data.to_json())

调用read_json()函数时，既可以向其传递一个JSON字符串，也可以为其指定一个JSON文件的路径。上面的例子中，我们是利用JSON字符串来创建pandas Series

并且再次修改country的值，并用to_json()方法将其从pandas Series转换为JSON字符串