Pandas IO 操作

可以看到，Pandas 的 I/O API是像 pd.read_csv() 一样访问的一组顶级 reader 函数，相应的 writer 函数是像 df.to_csv() 那样访问的对象方法

文本文件读取

read_table

　　读取文本文件

　　pandas.read_table(filepath_or_buffer, sep=’\t’, header=’infer’, names=None, index_col=None, dtype=None, engine=None, nrows=None)

read_csv

　　读取csv文件

　　pandas.read_csv(filepath_or_buffer, sep=’,’, header=’infer’, names=None, index_col=None, dtype=None, engine=None, nrows=None)

参数解释：

• filepath：接收string。代表文件路径。无默认
• sep：接收string。代表分隔符。read_csv默认为“,”，read_table默认为制表符“[Tab]”
• header：接收int或sequence。表示将某行数据作为列名。默认为infer，表示自动识别
• names：接收array。表示列名。默认为None
• index_col：接收int、sequence或False。表示索引列的位置，取值为sequence则代表多重索引。默认为None
• dtype：接收dict。代表写入的数据类型（列名为key，数据格式为values）。默认为None
• engine：接收c或者python。代表数据解析引擎。默认为c
• nrows：接收int。表示读取前n行。默认为None

• read_table和read_csv函数中的sep参数是指定文本的分隔符的，如果分隔符指定错误，在读取数据的时候，每一行数据将连成一片。
• header参数是用来指定列名的，如果是None则会添加一个默认的列名。
• encoding代表文件的编码格式，常用的编码有utf-8、utf-16、gbk、gb2312、gb18030等。如果编码指定错误数据将无法读取，IPython解释器会报解析错误。

　　读取 csv 文件算是一种最常见的操作了。假如已经有人将一些用户的信息记录在了一个csv文件 中，我们如何通过 Pandas 读取呢

创建 csv 文件

　　新建文本 --> 书写内容 --> 另存为 --> 文件名.csv --> 保存  --> 文件变为类似于Excel

　　在新建记事本内写入

　　name,age,birth,sex
　　Tom,18.0,2000-02-10,
　　Bob,30.0,1988-10-17,male

读取 csv 文件

　　可以直接使用 pd.read_csv 来读取 csv 文件

pd.read_csv("C:\\Users\\yybwy\\Desktop\\新建文本文档 (2).csv")
"""
    name    age     birth    　　  sex
0    Tom    18.0    2000-02-10    
1    Bob    30.0    1988-10-17    male
"""

　　读取出来生成了一个 DataFrame，索引是自动创建的一个数字，我们可以设置参数 index_col 来将某列设置为索引，可以传入索引号或者名称

pd.read_csv("C:\\Users\\yybwy\\Desktop\\新建文本文档 (2).csv",index_col="name")
"""
    　　age    　　birth    　sex
name            
Tom    18.0    2000-02-10    
Bob    30.0    1988-10-17    male
"""

从 StringIO 对象中读取 

from io import StringIO
data="name,age,birth,sex\nTom,18.0,2000-02-10,\nBob,30.0,1988-10-17,male"
print(data)
"""
name,age,birth,sex
Tom,18.0,2000-02-10,
Bob,30.0,1988-10-17,male
"""

pd.read_csv(StringIO(data))
"""
     name    age    birth    　　  sex
0    Tom    18.0    2000-02-10    NaN
1    Bob    30.0    1988-10-17    male
"""

分隔符设定 

　　设置参数 sep 来自定义字段之间的分隔符，设置参数 lineterminator 来自定义每行的分隔符

data = "name|age|birth|sex~Tom|18.0|2000-02-10|~Bob|30.0|1988-10-17|male" 
pd.read_csv(StringIO(data), sep="|", lineterminator="~") 
"""
　　　name    age    birth    　　 sex
0    Tom    18.0    2000-02-10    NaN
1    Bob    30.0    1988-10-17    male
"""

指定数据类型 

　　在读取数据时，解析器会进行类型推断，任何非数字列都会以对象 object 的形式出现。我们可以自己指定数据类型

pd.read_csv(StringIO(data), sep="|", lineterminator="~", dtype={"age": int}) 

添加标题 

　　Pandas 默认将第一行作为标题，但是有时候，csv 文件并没有标题，我们可以设置参数 names 来添加标题

data="Tom,18.0,2000-02-10,\nBob,30.0,1988-10-17,male" 
print(data) 
"""
Tom,18.0,2000-02-10,
Bob,30.0,1988-10-17,male
"""

pd.read_csv(StringIO(data), names=["name", "age", "birth", "sex"])
"""
　　 name    age     birth    　　 sex
0    Tom    18.0    2000-02-10    NaN
1    Bob    30.0    1988-10-17    male
"""

读取部分列的数据

　　指定参数 usercols

data="name,age,birth,sex\nTom,18.0,2000-02-10,\nBob,30.0,1988-10-17,male" 
print(data) 
"""
name,age,birth,sex
Tom,18.0,2000-02-10,
Bob,30.0,1988-10-17,male
"""

pd.read_csv(StringIO(data), usecols=["name", "age"])
"""
　　  name    age
0    Tom    18.0
1    Bob    30.0
"""

缺失值的处理

　　默认参数 keep_default_na=False ，会将空值都填充为 NaN

pd.read_csv(StringIO(data), keep_default_na=False)

　　有时候，空值的定义比较广泛，假定我们认为 18 也是空值，那么将它加入到参数 na_values 中即可

pd.read_csv(StringIO(data), na_values=[18])

文本文件存储

to_csv 

　　DataFrame.to_csv(path_or_buf=None, sep=’,’, na_rep=”, columns=None, header=True, index=True,index_label=None,mode=’w’,encoding=None

参数解释：

• path_or_buf：接收string。代表文件路径。无默认
• sep：接收string。代表分隔符。默认为“,”
• na_rep：接收string。代表缺失值。默认为“”
• columns：接收list。代表写出的列名。默认为None
• header：接收boolean，代表是否将列名写出。默认为True
• index：接收boolean，代表是否将行名（索引）写出。默认为True
• index_labels：接收sequence。表示索引名。默认为None
• mode：接收特定string。代表数据写入模式。默认为w

encoding：接收特定string。代表存储文件的编码格式。默认为None

　　把 DataFrame 中数据写入 CSV 文件，在写入过程中，就要用到 to_csv()函数，其参数为即将生成的文件名

data = "Tom,18.0,2000-02-10,\nBob,30.0,1988-10-17,male" 
csv_data = pd.read_csv(StringIO(data), names=["name", "age", "birth", "sex"]) 
csv_data
csv_data.to_csv('C:\\Users\\yybwy\\Desktop\\hah.csv') 

　　把 DataFrame 写入文件时，索引和列名称连同数据一起写入。使用 index 和 header 选项，把它们的值设置为 False，可取消这一默认行为

csv_data.to_csv('C:\\Users\\yybwy\\Desktop\\haha.csv',index=False,header=False)

to_json

　　通常在得到了 DataFrame 之后，有时候我们需要将它转为一个 json 字符串，可以使用 to_json 来完成。转换时，可以通过指定参数 orient 来输出不同的格式，以下是几个参数：

　　DataFrame 默认情况下使用 columns 这种形式，Series 默认情况下使用 index 这种形式

df = pd.read_csv("C:\\Users\\yybwy\\Desktop\\新建文本文档 (2).csv", index_col="name") 
df
"""
    　　age     birth    　　 sex
name            
Tom    18.0    2000-02-10    
Bob    30.0    1988-10-17    male
"""

columns

　　设置为 columns 后会将数据作为嵌套 JSON 对象进行序列化，并将列标签作为主索引

print(df.to_json()) 
"""
{
"age":{"Tom":18.0,"Bob":30.0},
"birth":{"Tom":"2000-02-10","Bob":"1988-10-17"},
"sex ":{"Tom":" ","Bob":"male"}
}
"""

index

　　设置为 index 后会将数据作为嵌套 JSON 对象进行序列化，并将索引标签作为主索引

print(df.to_json(orient="index"))
"""
{
"Tom":{"age":18.0,"birth":"2000-02-10","sex ":" "},
"Bob":{"age":30.0,"birth":"1988-10-17","sex ":"male"}
}
"""

records 

　　设置为 records 后会将数据序列化为列 - >值记录的 JSON 数组，不包括索引标签

print(df.to_json(orient="records"))
"""
[
{"age":18.0,"birth":"2000-02-10","sex ":" "},
{"age":30.0,"birth":"1988-10-17","sex ":"male"}
]
"""

values 

　　设置为 values 后会将是一个仅用于嵌套JSON数组值，不包含列和索引标签

print(df.to_json(orient="values"))
"""
[
[18.0,"2000-02-10"," "],
[30.0,"1988-10-17","male"]
]
"""

split 

　　设置为 split 后会将序列化为包含值，索引和列的单独条目的JSON对象

print(df.to_json(orient="split"))
"""
{
"columns":["age","birth","sex "],
"index":["Tom","Bob"],
"data":[
　　[18.0,"2000-02-10"," "],
　　[30.0,"1988-10-17","male"]
　　]
}
"""

练习

• 如果有空值就将这一行删除
• 取出身高体重两列构成新的 dataFrame
• 身高不在 50cm～170cm 范围内的删除；
• 体重不在 5kg～50kg 范围内的就删除；
• 画出身高体重散点分布图

import pandas as pd
# 读取内容
data1 = pd.read_csv("C:\\Users\yybwy\\Desktop\\新建文本文档 (3).csv")
# 有空值就将这一行删除 
data2 = data1.dropna(axis=0, how="any") 
# 取出身高体重两列构成新的 dataFrame 
data3 = data2[['height','weigth']]
# 保留身高在50-170和体重在5-50的数据
data3[(data2.height > 50) & (data2.height < 170)& (data2.weight>5) & (data.weight<50)]
# 画出身高体重散点分布图
plt.scatter(data['height'], data['weight'])
plt.title("Height And Weight")
plt.xlabel("Height")
plt.ylabel("Weight")

Excel文件读取

read_excel

　　pandas.read_excel(io, sheetname=0, header=0, index_col=None, names=None, dtype=None)

参数解释：

• io：接收string。表示文件路径。无默认
• sheetname：接收string、int。代表excel表内数据的分表位置。默认为0
• header：接收int或sequence。表示将某行数据作为列名。默认为infer，表示自动识别
• names：接收int、sequence或者False。表示索引列的位置，取值为sequence则代表多重索引。默认为None
• index_col：接收int、sequence或者False。表示索引列的位置，取值为sequence则代表多重索引。默认为None
• dtype：接收dict。代表写入的数据类型（列名为key，数据格式为values）。默认为None

Excel文件储存

to_excel

　　DataFrame.to_excel(excel_writer=None, sheetname=None’, na_rep=”, header=True, index=True, index_label=None, mode=’w’, encoding=None)

to_csv方法的常用参数基本一致，区别之处在于指定存储文件的文件路径参数名称为excel_writer，并且没有sep参数，增加了一个sheetnames参数用来指定存储的Excel sheet的名称，默认为sheet1

数据库数据读取

　　Pandas提供了读取与存储关系型数据库数据的函数与方法。除了pandas库外，还需要使用SQLAlchemy库建立对应的数据库连接。SQLAlchemy配合相应数据库的Python连接工具（例如MySQL数据库需要安装mysqlclient或者pymysql库），使用create_engine函数，建立一个数据库连接

　　creat_engine中填入的是一个连接字符串。在使用Python的SQLAlchemy时，MySQL和Oracle数据库连接字符串的格式如下：

数据库产品名+连接工具名：//用户名:密码@数据库IP地址:数据库端口号/数据库名称？charset = 数据库数据编码

import numpy as np
import pandas as pd
from sqlalchemy import create_engine
engine = create_engine('mysql+pymysql://root:密码@127.0.0.1:3306/shujufenxi?charset=utf8')
print(engine)

# Engine(mysql+pymysql://root:***@127.0.0.1:3306/shujufenxi?charset=utf8)

read_sql_table

　　只能够读取数据库的某一个表格，不能实现查询的操作

　　pandas.read_sql_table(table_name, con, schema=None, index_col=None, coerce_float=True, columns=None)

# 使用read_sql_table读取订单详情表
detail1 = pd.read_sql_table('meal_order_detail1', con=engine)
print('使用read_sql_table读取订单详情表的长度为:', len(detail1))

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

　　pandas.read_sql_query(sql, con, index_col=None, coerce_float=True)

# 使用read_sql_query查看tesdb中的数据表数目
formlist = pd.read_sql_query('show tables', con=engine)
print('testdb数据库数据表清单为:', '\n', formlist)

read_sql

　　是两者的综合，既能够读取数据库中的某一个表，也能够实现查询操作

　　pandas.read_sql(sql, con, index_col=None, coerce_float=True, columns=None)

参数解释：

• sql or table_name：接收string。表示读取的数据的表名或者sql语句。无默认
• con：接收数据库连接，表示数据库连接信息。无默认
• index_col：接收int，sequence或者False。表示设定的列作为行名，如果是一个数列则是多重索引。默认为None
• coerce_float：接收boolean，将数据库中的decimal类型的数据转换为pandas中的float64类型的数据。默认为True
• columns：接收list，表示读取数据的列名。默认为None

# 使用read_sql读取订单详情表
detail2 = pd.read_sql('select * from meal_order_detail2',con=engine)
print('使用read_sql函数+sql语句读取的订单详情表长度为:', len(detail2))
detail3 = pd.read_sql('meal_order_detail3', con=engine)
print('使用read_sql函数+表格名称读取的订单详情表长度为:',len(detail3))

数据库数据存储

to_sql

　　DataFrame.to_sql(name, con, schema=None, if_exists=’fail’, index=True, index_label=None, dtype=None)

参数解释：

• name：接收string。代表数据库表名。无默认
• con：接收数据库连接。表示数据库连接信息。无默认
• if_exists：接收fail，replace，append。fail表示如果表名存在则不执行写入操作；replace表示如果存在，将原数据库表删除，再重新创建；append则表示在原数据库表的基础上追加数据。默认为fail
• index：接收boolean。表示是否将行索引作为数据传入数据库。默认True
• index_label：接收string或者sequence。代表是否引用索引名称，如果index参数为True此参数为None则使用默认名称。如果为多重索引必须使用sequence形式。默认为None
• dtype：接收dict。代表写入的数据类型（列名为key，数据格式为values）。默认为None

# 使用to_sql存储orderData
detail1.to_sql('test1', con=engine, index=False, if_exists='replace')