20个经典函数细说 Pandas 中的数据读取与存储，强烈建议收藏

Posted 2022-01-03 AI科技大本营

作者 | 俊欣

来源 | 关于数据分析与可视化

大家好，今天小编来为大家介绍几个Pandas读取数据以及保存数据的方法，毕竟我们很多时候需要读取各种形式的数据，以及将我们需要将所做的统计分析保存成特定的格式。

我们大致会说到的方法有：

• read_sql()

• to_sql()

• read_clipboard()

• from_dict()

• to_dict()

• to_clipboard()

• read_json()

• to_json()

• read_html()

• to_html()

• read_table()

• read_csv()

• to_csv()

• read_excel()

• to_excel()

• read_xml()

• to_xml()

• read_pickle()

• to_pickle()

read_sql()与to_sql()

我们一般读取数据都是从数据库中来读取的，因此可以在read_sql()方法中填入对应的sql语句然后来读取我们想要的数据，

pd.read_sql(sql, con, index_col=None,
            coerce_float=True, params=None,
            parse_dates=None,
            columns=None, chunksize=None)

参数详解如下：

• sql: SQL命令字符串

• con: 连接SQL数据库的Engine，一般用SQLAlchemy或者是Pymysql之类的模块来建立

• index_col：选择某一列作为Index

• coerce_float：将数字形式的字符串直接以float型读入

• parse_dates: 将某一列日期型字符串传唤为datatime型数据，可以直接提供需要转换的列名以默认的日期形式转换，或者也可以提供字典形式的列名和转换日期的格式，

我们用PyMysql这个模块来连接数据库，并且读取数据库当中的数据，首先我们导入所需要的模块，并且建立起与数据库的连接

import pandas as pd
from pymysql import *

conn = connect(host='localhost', port=3306, database='database_name',
               user='', password='', charset='utf8')

我们简单地写一条SQL命令来读取数据库当中的数据，并且用read_sql()方法来读取数据

sql_cmd = "SELECT * FROM table_name"
df = pd.read_sql(sql_cmd, conn)
df.head()

上面提到read_sql()方法当中parse_dates参数可以对日期格式的数据进行处理，那我们来试一下其作用

sql_cmd_2 = "SELECT * FROM test_date"
df_1 = pd.read_sql(sql_cmd_2, conn)
df_1.head()

output

number  date_columns
0    1      2021-11-11
1    2      2021-10-01
2    3      2021-11-10

我们来看一个各个列的数据类型

df_1.info()

output

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 3 entries, 0 to 2
Data columns (total 2 columns):
 #   Column        Non-Null Count  Dtype 
---  ------        --------------  ----- 
 0   number        3 non-null      int64 
 1   date_columns  3 non-null      object
dtypes: int64(1), object(1)
memory usage: 176.0+ bytes

正常默认情况下，date_columns这一列也是被当做是String类型的数据，要是我们通过parse_dates参数将日期解析应用与该列

df_2 = pd.read_sql(sql_cmd_2, conn, parse_dates="date_columns")
df_2.info()

output

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 3 entries, 0 to 2
Data columns (total 2 columns):
 #   Column        Non-Null Count  Dtype         
---  ------        --------------  -----         
 0   number        3 non-null      int64         
 1   date_columns  3 non-null      datetime64[ns]
dtypes: datetime64[ns](1), int64(1)
memory usage: 176.0 bytes

就转换成了相对应的日期格式，当然我们还可以采用上面提到的另外一种格式

parse_dates="date_column": "format": "%d/%m/%y")

to_sql()方法

我们来看一下to_sql()方法，作用是将DataFrame当中的数据存放到数据库当中，请看下面的示例代码，我们创建一个基于内存的SQLite数据库

from sqlalchemy import create_engine
engine = create_engine('sqlite://', echo=False)

然后我们创建一个用于测试的数据集，并且存放到该数据库当中，

df = pd.DataFrame('num': [1, 3, 5])
df.to_sql('nums', con=engine)

查看一下是否存取成功了

engine.execute("SELECT * FROM nums").fetchall()

output

[(0, 1), (1, 3), (2, 5)]

我们可以尝试着往里面添加数据

df2 = pd.DataFrame('num': [7, 9, 11])
df2.to_sql('nums', con=engine, if_exists='append')
engine.execute("SELECT * FROM nums").fetchall()

output

[(0, 1), (1, 3), (2, 5), (0, 7), (1, 9), (2, 11)]

注意到上面的if_exists参数上面填的是append，意味着添加新数据进去，当然我们也可以将原有的数据替换掉，将append替换成replace

df2.to_sql('nums', con=engine, if_exists='replace')
engine.execute("SELECT * FROM nums").fetchall()

output

[(0, 7), (1, 9), (2, 11)]

from_dict()方法和to_dict()方法

有时候我们的数据是以字典的形式存储的，有对应的键值对，我们如何根据字典当中的数据来创立DataFrame，假设

a_dict = 
    '学校': '清华大学',
    '地理位置': '北京',
    '排名': 1

一种方法是调用json_normalize()方法，代码如下

df = pd.json_normalize(a_dict)

output

学校 地理位置  排名
0  清华大学   北京   1

当然我们直接调用pd.DataFrame()方法也是可以的

df = pd.DataFrame(json_list, index = [0])

output

学校 地理位置  排名
0  清华大学   北京   1

当然我们还可以用from_dict()方法，代码如下

df = pd.DataFrame.from_dict(a_dict,orient='index').T

output

学校 地理位置  排名
0  清华大学   北京   1

这里最值得注意的是orient参数，用来指定字典当中的键是用来做行索引还是列索引，请看下面两个例子

data = 'col_1': [1, 2, 3, 4],
       'col_2': ['A', 'B', 'C', 'D']

我们将orient参数设置为columns，将当中的键当做是列名

df = pd.DataFrame.from_dict(data, orient='columns')

output

col_1 col_2
0      1     A
1      2     B
2      3     C
3      4     D

当然我们也可以将其作为是行索引，将orient设置为是index

df = pd.DataFrame.from_dict(data, orient='index')

output

0  1  2  3
col_1  1  2  3  4
col_2  A  B  C  D

to_dict()方法

语法如下：

df.to_dict(orient='dict')

针对orient参数，一般可以填这几种形式

一种是默认的dict，代码如下

df = pd.DataFrame('shape': ['square', 'circle', 'triangle'],
                   'degrees': [360, 360, 180],
                   'sides': [4, 5, 3])
df.to_dict(orient='dict')

output

'shape': 0: 'square', 1: 'circle', 2: 'triangle', 'degrees': 0: 360, 1: 360, 2: 180, 'sides': 0: 4, 1: 5, 2: 3

也可以是list，代码如下

df.to_dict(orient='list')

output

'shape': ['square', 'circle', 'triangle'], 'degrees': [360, 360, 180], 'sides': [4, 5, 3]

除此之外，还有split，代码如下

df.to_dict(orient='split')

output

'index': [0, 1, 2], 'columns': ['shape', 'degrees', 'sides'], 'data': [['square', 360, 4], ['circle', 360, 5], ['triangle', 180, 3]]

还有records，代码如下

df.to_dict(orient='records')

output

['shape': 'square', 'degrees': 360, 'sides': 4, 'shape': 'circle', 'degrees': 360, 'sides': 5, 'shape': 'triangle', 'degrees': 180, 'sides': 3]

最后一种是index，代码如下

df.to_dict(orient='index')

output

0: 'shape': 'square', 'degrees': 360, 'sides': 4, 1: 'shape': 'circle', 'degrees': 360, 'sides': 5, 2: 'shape': 'triangle', 'degrees': 180, 'sides': 3

read_json()方法和to_json()方法

我们经常也会在实际工作与学习当中遇到需要去处理JSON格式数据的情况，我们用Pandas模块当中的read_json()方法来进行处理，我们来看一下该方法中常用到的参数

orient：对应JSON字符串的格式主要有

• split: 格式类似于：index: [index], columns: [columns], data: [values]

例如我们的JSON字符串长这样

a = '"index":[1,2,3],"columns":["a","b"],"data":[[1,3],[2,8],[3,9]]'
df = pd.read_json(a, orient='split')

output

a  b
1  1  3
2  2  8
3  3  9

• records: 格式类似于：[column: value, ... , column: value]

例如我们的JSON字符串长这样

a = '["name":"Tom","age":"18","name":"Amy","age":"20","name":"John","age":"17"]'
df_1 = pd.read_json(a, orient='records')

output

name  age
0   Tom   18
1   Amy   20
2  John   17

• index: 格式类似于：index: column: value

例如我们的JSON字符串长这样

a = '"index_1":"name":"John","age":20,"index_2":"name":"Tom","age":30,"index_3":"name":"Jason","age":50'
df_1 = pd.read_json(a, orient='index')

output

name  age
index_1   John   20
index_2    Tom   30
index_3  Jason   50

• columns: 格式类似于：column: index: value

我们要是将上面的index变成columns，就变成

df_1 = pd.read_json(a, orient='columns')

output

index_1 index_2 index_3
name    John     Tom   Jason
age       20      30      50

• values: 数组

例如我们的JSON字符串长这样

v='[["a",1],["b",2],["c", 3]]'
df_1 = pd.read_json(v, orient="values")

output

0  1
0  a  1
1  b  2
2  c  3

to_json()方法

将DataFrame数据对象输出成JSON字符串，可以使用to_json()方法来实现，其中orient参数可以输出不同格式的字符串，用法和上面的大致相同，这里就不做过多的赘述

read_html()方法和to_html()方法

有时候我们需要抓取网页上面的一个表格信息，相比较使用Xpath或者是Beautifulsoup，我们可以使用pandas当中已经封装好的函数read_html来快速地进行获取，例如我们通过它来抓取菜鸟教程Python网站上面的一部分内容

url = "https://www.runoob.com/python/python-exceptions.html"
dfs = pd.read_html(url, header=None, encoding='utf-8')

返回的是一个list的DataFrame对象

df = dfs[0]
df.head()

output

异常名称               描述
0                NaN              NaN
1      BaseException          所有异常的基类
2         SystemExit          解释器请求退出
3  KeyboardInterrupt  用户中断执行(通常是输入^C)
4          Exception          常规错误的基类

当然read_html()方法也支持读取HTML形式的表格，我们先来生成一个类似这样的表格，通过to_html()方法

df = pd.DataFrame(np.random.randn(3, 3))
df.to_html("test_1.html")

当然这个HTML形式的表格长这个样子

然后我们再通过read_html方法读取该文件，

dfs = pd.read_html("test_1.html")
dfs[0]

read_csv()方法和to_csv()方法

read_csv()方法

read_csv()方法是最常被用到的pandas读取数据的方法之一，其中我们经常用到的参数有

• filepath_or_buffer: 数据输入的路径，可以是文件的路径的形式，例如

pd.read_csv('data.csv')

output

num1  num2  num3  num4
0     1     2     3     4
1     6    12     7     9
2    11    13    15    18
3    12    10    16    18

也可以是URL，如果访问该URL会返回一个文件的话

pd.read_csv("http://...../..../data.csv")

• sep: 读取csv文件时指定的分隔符，默认为逗号，需要注意的是：“csv文件的分隔符”要和“我们读取csv文件时指定的分隔符”保持一致

假设我们的数据集，csv文件当中的分隔符从逗号改成了"\\t"，需要将sep参数也做相应的设定

pd.read_csv('data.csv', sep='\\t')

• index_col: 我们在读取文件之后，可以指定某一列作为DataFrame的索引

pd.read_csv('data.csv', index_col="num1")

output

num2  num3  num4
num1                  
1        2     3     4
6       12     7     9
11      13    15    18
12      10    16    18

除了指定单个列，我们还可以指定多个列，例如

df = pd.read_csv("data.csv", index_col=["num1", "num2"])

output

num3  num4
num1 num2            
1    2        3     4
6    12       7     9
11   13      15    18
12   10      16    18

• usecols：如果数据集当中的列很多，而我们并不想要全部的列、而是只要指定的列就可以，就可以使用这个参数

pd.read_csv('data.csv', usecols=["列名1", "列名2", ....])

output

num1  num2
0     1     2
1     6    12
2    11    13
3    12    10

除了指定列名之外，也可以通过索引来选择想要的列，示例代码如下

df = pd.read_csv("data.csv", usecols = [0, 1, 2])

output

num1  num2  num3
0     1     2     3
1     6    12     7
2    11    13    15
3    12    10    16

另外usecols参数还有一个比较好玩的地方在于它能够接收一个函数，将列名作为参数传递到该函数中调用，要是满足条件的，就选中该列，反之则不选择该列

# 选择列名的长度大于 4 的列
pd.read_csv('girl.csv', usecols=lambda x: len(x) > 4)

• prefix: 当导入的数据没有header的时候，可以用来给列名添加前缀

df = pd.read_csv("data.csv", header = None)

output

0     1     2     3
0  num1  num2  num3  num4
1     1     2     3     4
2     6    12     7     9
3    11    13    15    18
4    12    10    16    18

如果我们将header设为None，pandas则会自动生成表头0, 1, 2, 3..., 然后我们设置prefix参数为表头添加前缀

df = pd.read_csv("data.csv", prefix="test_", header = None)

output

test_0 test_1 test_2 test_3
0   num1   num2   num3   num4
1      1      2      3      4
2      6     12      7      9
3     11     13     15     18
4     12     10     16     18

• skiprows: 过滤掉哪些行，参数当中填行的索引

代码如下：

df = pd.read_csv("data.csv", skiprows=[0, 1])

output

6  12   7   9
0  11  13  15  18
1  12  10  16  18

上面的代码过滤掉了前两行的数据，直接将第三行与第四行的数据输出，当然我们也可以看到第二行的数据被当成是了表头

• nrows: 该参数设置一次性读入的文件行数，对于读取大文件时非常有用，比如 16G 内存的PC无法容纳几百G的大文件

代码如下：

df = pd.read_csv("data.csv", nrows=2)

output

num1  num2  num3  num4
0     1     2     3     4
1     6    12     7     9

to_csv()方法

该方法主要是用于将DataFrame写入csv文件当中，示例代码如下

df.to_csv("文件名.csv", index = False)

我们还能够输出到zip文件的格式，代码如下

df = pd.read_csv("data.csv")
compression_opts = dict(method='zip',
                        archive_name='output.csv')
df.to_csv('output.zip', index=False,
          compression=compression_opts)

read_excel()方法和to_excel()方法

read_excel()方法

要是我们的数据是存放在excel当中就可以使用read_excel()方法，该方法中的参数和上面提到的read_csv()方法相差不多，这里就不做过多的赘述，我们直接来看代码

df = pd.read_excel("test.xlsx")

• dtype: 该参数能够对指定某一列的数据类型加以设定

df = pd.read_excel("test.xlsx", dtype='Name': str, 'Value': float)

output

Name  Value
0  name1    1.0
1  name2    2.0
2  name3    3.0
3  name4    4.0

• sheet_name: 对于读取excel当中的哪一个sheet当中的数据加以设定

df = pd.read_excel("test.xlsx", sheet_name="Sheet3")

output

Name  Value
0  name1     10
1  name2     10
2  name3     20
3  name4     30

当然我们要是想一次性读取多个Sheet当中的数据也是可以的，最后返回的数据是以dict形式返回的

df = pd.read_excel("test.xlsx", sheet_name=["Sheet1", "Sheet3"])

output

'Sheet1':     Name  Value
0  name1      1
1  name2      2
2  name3      3
3  name4      4, 'Sheet3':     Name  Value
0  name1     10
1  name2     10
2  name3     20
3  name4     30

例如我们只想要Sheet1的数据，可以这么来做

df1.get("Sheet1")

output

Name  Value
0  name1      1
1  name2      2
2  name3      3
3  name4      4

to_excel()方法

将DataFrame对象写入Excel表格，除此之外还有ExcelWriter()方法也有着异曲同工的作用，代码如下

df1 = pd.DataFrame([['A', 'B'], ['C', 'D']],
                   index=['Row 1', 'Row 2'],
                   columns=['Col 1', 'Col 2'])
df1.to_excel("output.xlsx")

当然我们还可以指定Sheet的名称

df1.to_excel("output.xlsx", sheet_name='Sheet_Name_1_1_1')

有时候我们需要将多个DataFrame数据集输出到一个Excel当中的不同的Sheet当中

df2 = df1.copy()
with pd.ExcelWriter('output.xlsx') as writer:
    df1.to_excel(writer, sheet_name='Sheet_name_1_1_1')
    df2.to_excel(writer, sheet_name='Sheet_name_2_2_2')

我们还可以在现有的Sheet的基础之上，再添加一个Sheet

df3 = df1.copy()
with pd.ExcelWriter('output.xlsx', mode="a", engine="openpyxl") as writer:
    df3.to_excel(writer, sheet_name='Sheet_name_3_3_3')

我们可以生成至Excel文件并且进行压缩包处理

with zipfile.ZipFile("output_excel.zip", "w") as zf:
    with zf.open("output_excel.xlsx", "w") as buffer:
        with pd.ExcelWriter(buffer) as writer:
            df1.to_excel(writer)

对于日期格式或者是日期时间格式的数据，也能够进行相应的处理

from datetime import date, datetime
df = pd.DataFrame(
    [
        [date(2019, 1, 10), date(2021, 11, 24)],
        [datetime(2019, 1, 10, 23, 33, 4), datetime(2021, 10, 20, 13, 5, 13)],
    ],
    index=["Date", "Datetime"],
    columns=["X", "Y"],
)
with pd.ExcelWriter(
    "output_excel_date.xlsx",
    date_format="YYYY-MM-DD",
    datetime_format="YYYY-MM-DD HH:MM:SS"
) as writer:
    df.to_excel(writer)

read_table()方法

对于txt文件，既可以用read_csv()方法来读取，也可以用read_table()方法来读取，其中的参数和read_csv()当中的参数大致相同，这里也就不做过多的赘述

df = pd.read_table("test.txt", names = ["col1", "col2"], sep=' ')

output

col1  col2
0     1     2
1     3     4
2     5     6
3     7     8
4     9    10
5    11    12

我们要读取的txt文件当中的数据是以空格隔开的，因此再sep参数上面需要设置成空格

read_pickle()方法和to_pickle()方法

Python当中的Pickle模块实现了对一个Python对象结构的二进制序列和反序列化，序列化过程是将文本信息转变为二进制数据流，同时保存数据类型。例如数据处理过程中，突然有事儿要离开，可以直接将数据序列化到本地，这时候处理中的数据是什么类型，保存到本地也是同样的类型，反序列化之后同样也是该数据类型，而不是从头开始处理

to_pickle()方法

我们先将DataFrame数据集生成pickle文件，对数据进行永久储存，代码如下

df1.to_pickle("test.pkl")

read_pickle()方法

代码如下

df2 = pd.read_pickle("test.pkl")

read_xml()方法和to_xml()方法

XML指的是可扩展标记语言，和JSON类似也是用来存储和传输数据的，还可以用作配置文件

XML和HTML之间的差异

XML和HTML为不同的目的而设计的

• XML被设计用来传输和存储数据，其重点是数据的内容

• HTML被设计用来显示数据，其焦点是数据的外观

• XML不会替代HTML，是对HTML的补充

对XML最好的理解是独立于软件和硬件的信息传输工具，我们先通过to_xml()方法生成XML数据

df = pd.DataFrame('shape': ['square', 'circle', 'triangle'],
                   'degrees': [360, 360, 180],
                   'sides': [4, np.nan, 3])
df.to_xml("test.xml")

我们用pandas中的read_xml()方法来读取数据

df = pd.read_xml("test.xml")

output

shape  degrees  sides
0    square      360    4.0
1    circle      360    NaN
2  triangle      180    3.0

read_clipboard()方法

有时候数据获取不太方便，我们可以通过复制的方式，通过Pandas当中的read_clipboard()方法来读取复制成功的数据，例如我们选中一部分数据，然后复制，运行下面的代码

df_1 = pd.read_clipboard()

output

num1  num2  num3  num4
0     1     2     3     4
1     6    12     7     9
2    11    13    15    18
3    12    10    16    18

to_clipboard()方法

有复制就会有粘贴，我们可以将DataFrame数据集输出至剪贴板中，粘贴到例如Excel表格中

df.to_clipboard()

往

期

回

顾

技术

6种常用的绘制地图的方法，码住！

资讯

DeepMind 打造AI游戏系统

资讯

全球首个活体机器人，能生娃

资讯

机器人Ameca苏醒瞬间逼真到令人...

分享

点收藏

点点赞

点在看