利用Python进行数据分析 第6章 数据加载存储与文件格式

Posted 2020-11-16 ElonJiang

6.2 二进制数据格式

实现数据的高效二进制格式存储最简单的办法之一，是使用Python内置的pickle序列化。

pandas对象都有一个用于将数据以pickle格式保存到磁盘上的to_pickle方法：

通过pickle直接读取被pickle化的数据，或使用更为方便的pandas.read_pickle：

Ps：pickle仅建议用于短期存储格式。因其很难保证该格式是永远稳定的。

pandas内置支持两个二进制数据格式：HDF5和MessagePack。pandas或Numpy数据的其他存储格式有：

• bcolz：一种可压缩的列存储二进制格式，基于Blosc压缩库
• Feather：跨语言的列存储文件格式。其使用了Apache Arrow的列式内存格式。 

6.2.1 使用HDF5格式

HDF5是一种存储大规模科学数组数据的非常好的文件格式。它可被作为C标准库，带有许多语言的接口，如Java、Python和Matlab等。

HDF5中的HDF指的是层次型数据格式。每个HDF5文件都含有一个文件系统式的节点结构，使得能够存储多个数据集并支持元数据。

相较其他简单格式，HDF5支持多种压缩器的即时压缩，还能更高效地存储重复模式数据。对于非常大地无法直接放入内存的数据，HDF5可以高效地分块读写。

pandas提供地高级接口HDFStore类，可以像字典一样处理低级的细节，可以简化存储Series和DataFrame对象。（此外，也可用PyTables或h5py库直接访问HDF5文件，不如HDFStore高级简便）：

Ps：此处需要先安装tables库

HDF5文件中的对象可以通过与字典一样的API进行获取：

HDFStore支持两种存储模式，‘fixed’和‘table’。后者通常会更慢，但是支持使用特殊语法进行查询操作，如下：

Ps：put是store[\'obj2\'] = frame方法的显示版本，允许设置其他选项，如格式。 

　　pandas.read_hdf函数可以快捷使用这些工具：

　　

　　注意：如果需要处理的数据位于远程服务器，比如Amazon S3或HDFS，使用专门为分布式存储（比如Apache Parquet）的二进制格式也许更加合适。

　　如需要本地处理海量数据，需好好研究PyTables和h5py。由于许多数据分析问题都是IO密集型（非CPU密集型），利用HDF5这类工具能显著提升应用程序的效率。（HDF5不是数据库，是最适合用作“一次写多次读”的数据集）

 

6.2.2 读取Microsoft Excel文件

pandas的ExcelFile类或pandas.read_excel函数支持读取存储在Excel2003（或更高版本）中的表格型数据。

这两个工具分别使用扩展包xlrd和openpyxl读取XLS和XLSX文件。需安装这两个包。

1）创建一个实例

2）用read_excel读取表单中的数据到DataFrame：

3）也可将文件名传递到pandas.read_excel：

问题：如何一次性同时读取一个文件中的多个表单?

　　　　如何同时读取同一个excl中的多个sheet？

4）如果要将pandas数据写入为Excel格式，你必须首先创建一个ExcelWriter，然后用pandas对象的to_excel方法将数据写入其中：

ps：将frame中的数据copy到ex2.xlsx中

Ps：也可不使用ExcelWriter，而是传递文件的路径到to_excel

结果：

　

 

6.3 Web APIs交互

许多网站有一些通过JSON或其他格式提供数据的公共API。通过Python访问这些API的方法很多，较为简单的方法（比较推荐的方法）是requests包。

如，搜索最新的30个GitHub上的pandas主题，可以发一个HTTP GET请求，使用requests扩展库：

响应对象的json方法会返回一个包含被解析过的JSON字典，加载到一个Python对象中：

data中的每个元素都是一个包含所有GitHub主题页数据的字典。可以直接传递数据到DataFrame，并提取感兴趣的字段。

 

6.4 数据库交互

 

然后插入几行数据：

从表中选取数据时， 大部分Python SQL驱动器（PyODBC、psycopg2、MySQLdb、pymssql等）都会返回一个元组列表：

可将这个元组列表传给DataFrame构造器，但还需要列名（位于光标的description属性中）：

如果不想每查一次数据库就重写一次，可使用另一个流行的Python SQL工具SQLAlchemy项目。pandas有一个read_sql函数，可以轻松的从SQLAlchemy连接读取数据。

如下，使用SQLAlchemy连接SQLite数据库，并从之前创建的表读取数据：

 （这一块需要深入学习）

 

6.5 总结

访问数据通常是数据分析的第一步。本章已经介绍学习了一些有用的工具，接下来的章节中，将深入研究数据规整、数据可视化、时间序列分析和其他主题。