数据分析从零开始实战 （三）
- 2020 年 2 月 13 日
- 筆記
阅读文本大概需要12分钟。
零、写在前面
前面两篇文章基础篇（一）和基础篇（二）讲了数据分析虚拟环境创建和pandas读写csv、tsv、json格式的数据，今天我们继续探索pandas读取数据。 本系列学习笔记参考书籍：《数据分析实战》托马兹·卓巴斯
一、基本知识概要
1.利用pandas读写Excel文件 2.利用pandas读写XML文件
二、开始动手动脑
1.利用Python读写Excel
读取，利用Pandas库的ExcelFile()方法。 写入，利用
代码
import pandas as pd import os # 获取当前文件父目录路径 father_path = os.getcwd() # 原始数据文件路径 rpath_excel = father_path+r'data01realEstate_trans.xlsx' # 数据保存路径 wpath_excel = father_path+r'data01temp_excel.xlsx # 打开excel文件 excel_file = pd.ExcelFile(rpath_excel) # 读取文件内容 """ ExcelFile对象的parse()方法读取指定工作表的内容 ExcelFile对象的sheet_names属性可以获取Excel文件中的所有工作表 这里还用到了字典表达式来给字典赋值（看起来更加优雅） """ excel_read = {sheetName : excel_file.parse(sheetName) for sheetName in excel_file.sheet_names} # 输出Sacramento表格的price列的头10行记录 print(excel_read['Sacramento'].head(10)['price']) print(type(excel_read['Sacramento'].head(10)['price'])) # 遇到错误：ModuleNotFoundError: No module named 'xlrd' # 写入表格的price列的前10行 excel_read['Sacramento'].head(10)['price'].to_excel(wpath_excel, "price", index=False) # 遇到错误：ModuleNotFoundError: No module named 'openpyxl'
读取结果：
写入结果：
可能报错：
读操作时： ModuleNotFoundError: No module named 'xlrd' 写操作时： ModuleNotFoundError: No module named 'openpyxl'
解决方法：
# 在环境里安装xlrd和openpyxl模块即可 pip install xlrd pip install openpyxl
2.利用Python读写XML文件
学过java的同学对XML应该不陌生，全称是eXtensible Markup Language(扩展标记语言)，虽然平时不常见，但是Web API里支持XML编码。
读写代码
import pandas as pd # 一个轻量的XML解析器 import xml.etree.ElementTree as ET import os """ 读入XML数据，返回pa.DataFrame """ def read_xml(xml_FileName): with open(xml_FileName, "r") as xml_file: # 读取数据，以树的结构存储 tree = ET.parse(xml_file) # 访问树的梗节点 root = tree.getroot() # 返回DataFrame格式数据 return pd.DataFrame(list(iter_records(root))) """ 遍历有记录的生成器 """ def iter_records(records): for record in records : # 保存值的临时字典 temp_dict = {} # 遍历所有字段 for var in record: temp_dict[ var.attrib["var_name"] ] = var.text # 生成值 yield temp_dict """ 以XML格式保存数据 """ def write_xml(xmlFileName, data): with open(xmlFileName, "w") as xmlFile: # 写头部 xmlFile.write( '<?xml version="1.0" encoding="UTF-8"?>' ) xmlFile.write('<records>n') # 写数据 xmlFile.write( 'n'.join(data.apply(xml_encode, axis=1)) ) # 写尾部 xmlFile.write("n</records>") """ 以特定的嵌套格式将每一行编码成XML """ def xml_encode(row): # 第一步--输出record节点 xmlItem = [' <record>'] # 第二步--给行中每个字段加上XML格式<field name=···>···</field> for field in row.index: xmlItem.append( '<var var_name="{0}">{1}</var>'.format(field, row[field]) ) # 最后一步--标记record节点的结束标签 xmlItem.append(" </record>") return 'n'.join(xmlItem) # 获取当前文件父目录路径 father_path = os.getcwd() # 原始数据文件路径 rpath_xml = father_path+r'data01realEstate_trans.xml' # 数据保存路径 wpath_xml = father_path+r'data01temp_xml.xml' # 读取数据 xml_read = read_xml(rpath_xml) # 输出头10行记录 print(xml_read.head(10)) # 以XML格式写回文件 write_xml(wpath_xml, xml_read.head(10))
运行结果
代码解析
(1)read_xml(xml_FileName)函数 功能：读入XML数据，返回pa.DataFrame 这里利用到了一个轻量级的XML解析器：xml.etree.ElementTree。传入文件名，先读取文件内容，然后利用parse()函数解析XML，创建一个树状结构并存放在tree变量中，在tree对象上调用getroot()方法得到根节点，最后调用iter_records()函数，传入根节点，进而将返回的信息转换成DataFrame。
(2)iter_records(records)函数 功能：遍历有记录的生成器 iter_records()方法是一个生成器，从关键字yield可以看出来，如果你不了解生成器，可以点击这里,与return不同，生成器每次只向主调方法返回一个值，直到结束。
(3)write_xml(xmlFile, data)函数 功能：以XML格式保存数据 这里需要注意的是得按XML文件格式进行保存，我们要做的就是三步：保存头部格式、按格式保存数据、保存尾部格式。保存数据时用到了DataFrame对象的apply()方法，遍历内部每一行，第一个参数xml_encode指定了要应用到每一行记录上的方法，axis=1表示按行处理，默认值为0，表示按列处理。
(4)xml_encode(row)函数 功能：以特定的嵌套格式将每一行编码成XML 在写数据的过程我们会调用这个方法，对每行数据进行处理，变成XML格式。
三 、送你的话
昨天开了个会，然后思考了写问题，这里分享给大家： 1、思想觉悟，辩证思考。不要随声附和，要有己见，聪明的人应该是坚持输出自己的思想，从事情本身和和他人评论去思考，再辩正自己的思考，再输出；
2、少喊口号，多做实事。本来我是很推崇做个人规划的，但是，我发现不止是我周边和某些读者朋友，包括我自己，规划作的越来越假大空，规划本身没有错，错的是：现实生活中我们把规划变成了日日口号，而为能如实完成，所以我现在推崇：规划，先做再说。
【完】
