《利用Python 进行数据分析》 - 笔记(4)----json

解决方案：

读写文本格式的数据：

• pandas 提供了一些用于将表格型数据读取为DataFrame对象的函数
• pandas 中的解析函数

• 函数的选项可以划分为以下几个大类

1. 索引：将一个或多个列当做返回的DataFrame处理，以及是否从文件、用户获取列名
2. 类型推断和数据转换：包括用户定义值的转换、缺失值标记列表等。
3. 日期解析：包括组合功能，比如 将分散在多个列的日期信息组合成结果中的单个列
4. 迭代：支持对大文件进行逐块迭代
5. 不规整数据问题：跳过一些行、页脚、注释或其他一些不重要的东西

• 类型推断：
• 你不需要指定列的类型到底是数值、整数、布尔值、还是字符串。
• 日期和其他自定义类型的处理需要花点功夫才行。
• 分别用read_csv() 和 read_table() 读取文件

1. In [17]: !cat ex1.csv
2. a,b,c,d,message
3. 1,2,3,4,hello
4. 5,6,7,8,world
5. 9,10,11,12,foo
6. In [18]: import pandas as pd
7. In [19]: df = pd.read_csv('ex1.csv')
8. In [20]: df
9. Out[20]:
10. a   b   c   d message
11. 0  1   2   3   4   hello
12. 1  5   6   7   8   world
13. 2  9  10  11  12     foo
14. In [21]: pd.read_table('ex1.csv', sep=',')
15. Out[21]:
16. a   b   c   d message
17. 0  1   2   3   4   hello
18. 1  5   6   7   8   world
19. 2  9  10  11  12     foo

• 对于没有标题行的文件

1. In [25]: !cat ex2.csv
2. 1,2,3,4,hello
3. 5,6,7,8,world
4. 9,10,11,12,foo
5. In [26]: pd.read_csv('ex2.csv', header = None)
6. Out[26]:
7. 0   1   2   3      4
8. 0  1   2   3   4  hello
9. 1  5   6   7   8  world
10. 2  9  10  11  12    foo
11. In [27]: pd.read_csv('ex2.csv', names = ['a','b','c','d','message'])
12. Out[27]:
13. a   b   c   d message
14. 0  1   2   3   4   hello
15. 1  5   6   7   8   world
16. 2  9  10  11  12     foo

• 如果希望将message 列做成DataFrame 的索引

1. 明确表示要将该列放到索引4的位置上
2. 通过index_col 参数指定

1. In [28]: names = ['a','b','c','d','message']
2. In [29]: pd.read_csv('ex2.csv', names = names, index_col='message')
3. Out[29]:
4. a   b   c   d
5. message
6. hello    1   2   3   4
7. world    5   6   7   8
8. foo      9  10  11  12

• 如果你希望做成层次化索引，只需要传入由列编号或列名组成的列表即可

1. In [31]: parsed = pd.read_csv('csv_mindex.csv', index_col = ['key1','key2'])
2. In [32]: parsed
3. Out[32]:
4. value1  value2
5. key1 key2
6. one  a          1       2
7. b          3       4
8. c          5       6
9. d          7       8
10. two  a          9      10
11. b         11      12
12. c         13      14
13. d         15      16

• 有些表格可能不是用固定的分隔符去分隔字段，对于这种情况我们要用正则表达来作为read_table 的分隔符

1. In [8]: !cat ex3.txt
2. A         B         C
3. aaa -0.264438 -1.026059 -0.619500
4. bbb  0.927272  0.302904 -0.032399
5. ccc -0.264273 -0.386314 -0.217601
6. ddd -0.871858 -0.348382  1.100491
7. In [10]: result = pd.read_table('ex3.txt', sep='\s+')
8. In [11]: result
9. Out[11]:
10. A         B         C
11. aaa -0.264438 -1.026059 -0.619500
12. bbb  0.927272  0.302904 -0.032399
13. ccc -0.264273 -0.386314 -0.217601
14. ddd -0.871858 -0.348382  1.100491

• 缺失值处理是文件解析任务中的一个重要的组成部分

1. 缺失数据是一个空串（什么都没有）
2. 用一个标记值来标记（NA,-1.#IND,NULL）
3. na_values 参数规定什么样的值是NA 值

1. In [22]: result = pd.read_csv('ex5.csv')
2. In [23]: result
3. Out[23]:
4. something  a   b   c   d message
5. 0       one  1   2   3   4     NaN
6. 1       two  5   6 NaN   8   world
7. 2     three  9  10  11  12     foo
8. In [24]: result = pd.read_csv('ex5.csv', na_values=['10','11','12'])
9. In [25]: result
10. Out[25]:
11. something  a   b   c   d message
12. 0       one  1   2   3   4     NaN
13. 1       two  5   6 NaN   8   world
14. 2     three  9 NaN NaN NaN     foo

• read_csv/read_table 函数的参数

1.逐块读取文本文件

• read_csv 所返回的是个TextParser(文本解析器对象)使你可以根据chunksize 对文件进行逐块迭代

1. In [27]: chunker = pd.read_csv('ex6.csv', chunksize=1000)
2. In [28]: chunker
3. Out[28]: <pandas.io.parsers.TextFileReader at 0x7f4a0c369e90>

• 我们可以迭代处理这个ex6.csv 将值计数聚合到”key“列中
• ex6.py

1. #!/usr/bin/env python
2. # coding=utf-8
3. import pandas as pd
4. chunker = pd.read_csv('ex6.csv', chunksize=1000)
5. result = pd.Series([])
6. for piece in chunker:
7. result = result.add(piece['key'].value_counts(),fill_value=0)
8. result = result.order(ascending = False)

1. In [37]: pd.read_csv('ex6.csv',nrows=5)
2. Out[37]:
3. one       two     three      four key
4. 0  0.467976 -0.038649 -0.295344 -1.824726   L
5. 1 -0.358893  1.404453  0.704965 -0.200638   B
6. 2 -0.501840  0.659254 -0.421691 -0.057688   G
7. 3  0.204886  1.074134  1.388361 -0.982404   R
8. 4  0.354628 -0.133116  0.283763 -0.837063   Q
9. In [38]: run ex6.py
10. In [39]: result[:10]
11. Out[39]:
12. E    368
13. X    364
14. L    346
15. O    343
16. Q    340
17. M    338
18. J    337
19. F    335
20. K    334
21. H    330
22. dtype: float64

2.将数据写出到文本格式

• DataFrame 的 to_csv方法

1. 可以将数据写到文件中（.txt/.csv/...）
2. 默认分隔符为‘，’
3. 我们可以使用sep 参数控制分隔符
4. na_rep 参数处理缺失值

1. In [20]: data = pd.read_csv('ex5.csv')
2. In [21]: data
3. Out[21]:
4. something  a   b   c   d message
5. 0       one  1   2   3   4     NaN
6. 1       two  5   6 NaN   8   world
7. 2     three  9  10  11  12     foo
8. In [22]: data.to_csv('out.csv')
9. In [23]: !cat out.csv
10. ,something,a,b,c,d,message
11. 0,one,1,2,3.0,4,
12. 1,two,5,6,,8,world
13. 2,three,9,10,11.0,12,foo
14. In [24]: data.to_csv('out.csv',sep='|')
15. In [25]: !cat out.csv
16. |something|a|b|c|d|message
17. 0|one|1|2|3.0|4|
18. 1|two|5|6||8|world
19. 2|three|9|10|11.0|12|foo
20. In [27]: data.to_csv('out.csv',sep='|',na_rep='null')
21. In [28]: !cat out.csv
22. |something|a|b|c|d|message
23. 0|one|1|2|3.0|4|null
24. 1|two|5|6|null|8|world
25. 2|three|9|10|11.0|12|foo

1. 如果没有其他选项，则会写出行和列的标签
2. 我们也可以只写出一部分的列，并以我们指定的顺序排列

1. In [38]: data.to_csv('out.csv',index = False, cols = ['a','b','c'],na_rep = 'null')
2. In [39]: !cat out.csv
3. a,b,c
4. 1,2,3.0
5. 5,6,null
6. 9,10,11.0

• Series 的 to_csv 方法

1. In [44]: dates = pd.date_range('1/1/2000',periods=10)
2. In [45]: dates
3. Out[45]:
4. <class 'pandas.tseries.index.DatetimeIndex'>
5. [2000-01-01, ..., 2000-01-10]
6. Length: 10, Freq: D, Timezone: None
7. In [47]: ts = pd.Series(np.arange(10),index=dates)
8. In [48]: ts.to_csv('tseries.csv')
9. In [49]: !cat tseries.csv
10. 2000-01-01,0
11. 2000-01-02,1
12. 2000-01-03,2
13. 2000-01-04,3
14. 2000-01-05,4
15. 2000-01-06,5
16. 2000-01-07,6
17. 2000-01-08,7
18. 2000-01-09,8
19. 2000-01-10,9

• Series 的 from_csv 方法

1. In [50]: data = pd.read_csv('tseries.csv')
2. In [51]: data
3. Out[51]:
4. 2000-01-01  0
5. 0  2000-01-02  1
6. 1  2000-01-03  2
7. 2  2000-01-04  3
8. 3  2000-01-05  4
9. 4  2000-01-06  5
10. 5  2000-01-07  6
11. 6  2000-01-08  7
12. 7  2000-01-09  8
13. 8  2000-01-10  9
14. In [52]: data = pd.Series.from_csv('tseries.csv')
15. In [53]: data
16. Out[53]:
17. 2000-01-01    0
18. 2000-01-02    1
19. 2000-01-03    2
20. 2000-01-04    3
21. 2000-01-05    4
22. 2000-01-06    5
23. 2000-01-07    6
24. 2000-01-08    7
25. 2000-01-09    8
26. 2000-01-10    9
27. dtype: int64

3.JSON数据

1. json：一种数据传输的标准格式（http请求在web浏览器和各个应用程序之间）
2. pandas 团队正在致力于添加原生的高效的json导出（to_json) 和解码（from_json）功能
3. 我们可以通过json.loads 将json 字符串转换成python形式
4. 相反，json.dumps则将python对象转换成json格式
5. 也可以向DataFrame 构造器传入一组Json 对象，并选取数据字段的子集

1. In [54]: obj = """
2. ....: { "programmers": [
3. ....:
4. ....: { "firstName": "Brett", "lastName":"McLaughlin", "email": "aaaa" },
5. ....:
6. ....: { "firstName": "Jason", "lastName":"Hunter", "email": "bbbb" },
7. ....:
8. ....: { "firstName": "Elliotte", "lastName":"Harold", "email": "cccc" }
9. ....:
10. ....: ],
11. ....:
12. ....: "authors": [
13. ....:
14. ....: { "firstName": "Isaac", "lastName": "Asimov", "genre": "science fiction" },
15. ....:
16. ....: { "firstName": "Tad", "lastName": "Williams", "genre": "fantasy" },
17. ....:
18. ....: { "firstName": "Frank", "lastName": "Peretti", "genre": "christian fiction" }
19. ....:
20. ....: ],
21. ....:
22. ....: "musicians": [
23. ....:
24. ....: { "firstName": "Eric", "lastName": "Clapton", "instrument": "guitar" },   ....:
25. ....: { "firstName": "Sergei", "lastName": "Rachmaninoff", "instrument": "piano" }
26. ....:
27. ....: ] }
28. ....: """
29. In [55]: import json
30. In [56]: result = json.loads(obj)
31. In [57]: result
32. Out[57]:
33. {u'authors': [{u'firstName': u'Isaac',
34. u'genre': u'science fiction',
35. u'lastName': u'Asimov'},
36. {u'firstName': u'Tad', u'genre': u'fantasy', u'lastName': u'Williams'},
37. {u'firstName': u'Frank',
38. u'genre': u'christian fiction',
39. u'lastName': u'Peretti'}],
40. u'musicians': [{u'firstName': u'Eric',
41. u'instrument': u'guitar',
42. u'lastName': u'Clapton'},
43. {u'firstName': u'Sergei',
44. u'instrument': u'piano',
45. u'lastName': u'Rachmaninoff'}],
46. u'programmers': [{u'email': u'aaaa',
47. u'firstName': u'Brett',
48. u'lastName': u'McLaughlin'},
49. {u'email': u'bbbb', u'firstName': u'Jason', u'lastName': u'Hunter'},
50. {u'email': u'cccc', u'firstName': u'Elliotte', u'lastName': u'Harold'}]}
51. In [58]: asjson = json.dumps(result)
52. In [59]: musicians = pd.DataFrame(result['musicians'],columns=['firstName','lastName'])
53. In [60]: musicians
54. Out[60]:
55. firstName      lastName
56. 0      Eric       Clapton
57. 1    Sergei  Rachmaninoff

4.xml和html：web信息收集

• 从html中提取 超链接

1. In [62]: from lxml.html import parse
2. In [63]: from urllib2 import urlopen
3. In [64]: parsed = parse(urlopen('http://finance.yahoo.com/q/op?s=AAPL+Options'))
4. In [65]: doc = parsed.getroot()
5. In [66]: links = doc.findall('.//a')
6. In [67]: links[10:20]
7. Out[67]:
8. [<Element a at 0x7fac8955c3c0>,
9. <Element a at 0x7fac8955c418>,
10. <Element a at 0x7fac8955c470>,
11. <Element a at 0x7fac8955c4c8>,
12. <Element a at 0x7fac8955c520>,
13. <Element a at 0x7fac8955c578>,
14. <Element a at 0x7fac8955c5d0>,
15. <Element a at 0x7fac8955c628>,
16. <Element a at 0x7fac8955c680>,
17. <Element a at 0x7fac8955c6d8>]
18. In [68]: lnk = links[28]
19. In [69]: lnk
20. Out[69]: <Element a at 0x7fac8955c9f0>
21. In [70]: lnk.get('href')
22. Out[70]: 'https://help.yahoo.com/l/us/yahoo/finance/'
23. In [71]: lnk.text_content()
24. Out[71]: 'Help'
25. In [72]: urls = [lnk.get('href') for lnk in doc.findall('.//a')]
26. In [73]: urls[-10:]
27. Out[73]:
28. ['/q/cf?s=AAPL+Cash+Flow',
29. 'https://mobile.yahoo.com/finance/?src=gta',
30. '/q/op?s=AAPL&date=1463529600',
31. '/q/op?s=AAPL&straddle=true&date=1463529600',
32. None,
33. None,
34. None,
35. None,
36. '/q/op?s=AAPL&strike=20.00',
37. '/q?s=BVZ160518P00020000']

二进制数据格式：

• HDF5

PyTables和h5py这两个Python项目可以将NumPy的数组数据存储为高效且可压缩的HDF5格式（层次化数据格式）。你可以安全地将好几百GB甚至TB的数据存储为HDF5格式。

PyTables提供了一些用于结构化数组的高级查询功能，而且还能添加列索引以提升查询速度，这跟关系型数据库所提供的表索引功能非常类似。

• 读取 Microsoft Excel 文件

1. 创建一个ExcelFile 文件的实例：pd.ExcelFile('filepath')
2. 通过parse 传入到DataFrame中:xls_file.parse('Sheet1')

使用HTML和web API：

• 安装requests 包

1. peerslee@peerslee-ubuntu:~$ sudo apt-get install python-requests
2. [sudo] peerslee 的密码：
3. 正在读取软件包列表... 完成
4. 正在分析软件包的依赖关系树
5. 正在读取状态信息... 完成
6. 将会安装下列额外的软件包：
7. python-ndg-httpsclient python-urllib3
8. 建议安装的软件包：
9. python-ntlm
10. 下列【新】软件包将被安装：
11. python-ndg-httpsclient python-requests python-urllib3
12. 升级了 0 个软件包，新安装了 3 个软件包，要卸载 0 个软件包，有 4 个软件包未被升级。
13. 需要下载 135 kB 的软件包。
14. 解压缩后会消耗掉 648 kB 的额外空间。
15. 您希望继续执行吗？ [Y/n] Y
16. 获取：1 http://mirrors.hust.edu.cn/ubuntu/ wily/main python-ndg-httpsclient all 0.4.0-1 [24.9 kB]
17. 获取：2 http://mirrors.hust.edu.cn/ubuntu/ wily/main python-urllib3 all 1.11-1 [56.2 kB]
18. 获取：3 http://mirrors.hust.edu.cn/ubuntu/ wily/main python-requests all 2.7.0-3 [53.8 kB]
19. 下载 135 kB，耗时 2秒 (46.3 kB/s)
20. 正在选中未选择的软件包 python-ndg-httpsclient。
21. (正在读取数据库 ... 系统当前共安装有 223563 个文件和目录。)
22. 正准备解包 .../python-ndg-httpsclient_0.4.0-1_all.deb  ...
23. 正在解包 python-ndg-httpsclient (0.4.0-1) ...
24. 正在选中未选择的软件包 python-urllib3。
25. 正准备解包 .../python-urllib3_1.11-1_all.deb  ...
26. 正在解包 python-urllib3 (1.11-1) ...
27. 正在选中未选择的软件包 python-requests。
28. 正准备解包 .../python-requests_2.7.0-3_all.deb  ...
29. 正在解包 python-requests (2.7.0-3) ...
30. 正在处理用于 man-db (2.7.4-1) 的触发器 ...
31. 正在设置 python-ndg-httpsclient (0.4.0-1) ...
32. 正在设置 python-urllib3 (1.11-1) ...
33. 正在设置 python-requests (2.7.0-3) ...

• 发送一个http get请求

• 将GET请求返回的内容加载到一个python 对象中

• 响应的结果中有一组python字典

• 截取字段，然后创建DataFrame

• 该DataFrame 中每一行字都是一条来自tweet的数据