1 数据获取

1.1 概述

数据经过采集后通常会被存储到Word、Excel、JSON等文件或数据库中，从而为后期的预处理工作做好数据储备。数据获取是数据预处理的第一步操作，主要是从不同的渠道中读取数据。Pandas支持CSV、TXT、Excel、JSON这几种格式文件、HTML表格的读取操作，另外Python可借助第三方库实现Word与PDF文件的读取操作。本章主要为大家介绍如何从多个渠道中获取数据，为预处理做好数据准备。

1.2 从CSV和TXT文件获取数据

参考连接：https://zhuanlan.zhihu.com/p/340441922

掌握read_csv()函数的用法，可以熟练地使用该方法从CSV或TXT文件中获取数据CSV（Comma-Separated Values，字符分隔值）和TXT是比较常见的文本格式，其文件以纯文本形式存储数据，其中CSV文件通常是以逗号或制表符为分隔符来分隔值的文本文档，扩展名为“.csv”，可通过Excel等文本编辑器查看与编辑；TXT是微软公司在操作系统上附带的一种文本格式，其文件扩展名为“.txt”，可通过记事本等软件查看。

Pandas中使用read_csv()函数读取CSV或TXT文件的数据，并将读取的数据转换成一个DataFrame类对象。

read_csv(filepath_or_buffer,sep=',', delimiter=None, 
               header='infer', names=None, index_col=None, usecols=None, 
               squeeze=False, prefix=None, mangle_dupe_cols=True, encoding=None...)

filepath_or_buffe：表示文件的路径，可以取值为有效的路径字符串、路径对象或类似文件的对象。

sep：表示指定的分隔符，默认为“,”。

header：表示指定文件中的哪一行数据作为DataFrame类对象的列索引，默认为0，即第一行数据作为列索引。

names：表示DataFrame类对象的列索引列表,当names没被赋值时，header会变成0，即选取数据文件的第一行作为列名；当 names 被赋值，header 没被赋值时，那么header会变成None。如果都赋值，就会实现两个参数的组合功能。

encoding：表示指定的编码格式。

有一个csv文件，名称为phones.csv

商品名称,价格,颜色
Apple iPhone X (A1865) 64GB,6299,深空灰色
Apple iPhone XS Max (A2104) 256GB ,10999,深空灰色
Apple iPhone XR (A2108) 128GB,6199,黑色
Apple iPhone 8 (A1863) 64GB,3999,深空灰色
Apple iPhone 8 Plus (A1864) 64GB,4799,深空灰色
Apple iPhone XS (A2100) 64GB,8699,深空灰色
Apple 苹果 iPhone Xs Max  256GB,9988,金色
Apple 苹果 iPhone Xs 64GB,8058,金色
Apple 苹果 iPhone XR 128GB,5788,黑色
Apple iPhone 7 (A1660) 128G,4139,玫瑰金色

1.2.1 读取csv案例-指定sep,encoding,engine

import pandas as pd
evaluation_data = pd.read_csv(
       "phones.csv", sep=',',encoding='gbk',engine = 'python')
print(evaluation_data)

engine：使用的分析引擎。可以选择C或者是python。C引擎快但是Python引擎功能更加完备。

encoding：指定字符集类型，即编码，通常指定为’utf-8’

1.2.2 读取csv案例-names和header

1. names 没有被赋值，header 也没赋值

evaluation_data = pd.read_csv(
       "phones.csv", sep=',',encoding='gbk',engine = 'python')

上面的案例中，names 没有被赋值，header 也没赋值：这种情况下，header为0，即选取文件的第一行作为表头

2. names 没有被赋值，header 被赋值：

#不指定names，指定header为1，则选取第二行当做表头，第二行下面为数据
pd.read_csv("phones.csv", encoding='gbk',header=1)

输出为：

3. names 被赋值，header 没有被赋值：

pd.read_csv("phones.csv", encoding='gbk',names=['商品名称1','价格1','颜色1'])

输出为：

可以看到，names适用于没有表头的情况，指定names没有指定header，那么header相当于None。

一般来说，读取文件的时候会有一个表头，一般默认是第一行，但是有的文件中是没有表头的，那么这个时候就可以通过names手动指定、或者生成表头，而文件里面的数据则全部是内容。所以这里id、name、address、date也当成是一条记录了，本来它是表头的，但是我们指定了names，所以它就变成数据了，表头是我们在names里面指定的。

4. names和header都被赋值：

pd.read_csv("phones.csv", encoding='gbk',names=['商品名称1','价格1','颜色1'],header=0)

输出为：

这个时候，相当于先不看names，只看header，header为0代表先把第一行当做表头，下面的当成数据；然后再把表头用names给替换掉。

所以names和header的使用场景主要如下：

csv文件有表头并且是第一行，那么names和header都无需指定;

csv文件有表头、但表头不是第一行，可能从下面几行开始才是真正的表头和数据，这个时候指定header即可;

csv文件没有表头，全部是纯数据，那么我们可以通过names手动生成表头;

csv文件有表头、但是这个表头你不想用，这个时候同时指定names和header。先用header选出表头和数据，然后再用names将表头替换掉，就等价于将数据读取进来之后再对列名进行rename；

1.2.3 读取csv案例-指定index_col和usecols

1. 指定index_col
   index_col：我们在读取文件之后所得到的DataFrame的索引默认是0、1、2……，我们可以通过set_index设定索引，但是也可以在读取的时候就指定某列为索引。

pd.read_csv("phones.csv", index_col="商品名称1",encoding='gbk', names=['商品名称1','价格1','颜色1'],header=0)

输出为：

这里，我们在读取的时候指定了name列作为索引；

此外，除了指定单个列，还可以指定多列作为索引，比如[“id”, “name”]。同时，我们除了可以输入列名外，还可以输入列对应的索引。比如：“id”、“name”、“address”、"date"对应的索引就分别是0、1、2、3。

指定usecols

usecols：如果一个数据集中有很多列，但是我们在读取的时候只想要使用到的列，我们就可以使用这个参数。

pd.read_csv("phones.csv", usecols=['价格1','颜色1'],encoding='gbk', names=['商品名称1','价格1','颜色1'],header=0)

输出为：

1.2.4 读取csv案例-指定nrows和skiprows

skiprows：表示过滤行，想过滤掉哪些行，就写在一个列表里面传递给skiprows即可。注意的是：这里是先过滤，然后再确定表头

nrows：设置一次性读入的文件行数，在读入大文件时很有用，比如 16G 内存的PC无法容纳几百 G 的大文件。

pd.read_csv("phones.csv",encoding='gbk',nrows = 2,skiprows = [i for i in range(1,9)])

输出为：

其中skiprows = [i for i in range(1,9)]跳过了前8条数据，nrows = 2输出为跳过之后的2条数据。

1.2.5 读取csv案例-指定dtype

df = pd.read_csv("phones.csv",encoding='gbk')
df.info()

输出为：

df1 = pd.read_csv("phones.csv",encoding='gbk', dtype={'价格': str})
# 也可以df1['价格'] = df1['价格'].astype("str")
df1.info()

输出为：

1.2.6读取csv案例-分块读取chunk

df = pd.read_csv("phones.csv",encoding='gbk', chunksize= 4)
count = 0
print('*'*10)
for i in df:
    print(count)
    count +=1 
    print(i)
    print('*'*10)

输出为：

1.2.7 读取txt案例

采用read_csv也可以读取txt文件，同时pandas也提供了read_table用于读取文本文件。

pd.read_table("phones.csv",sep=',',encoding='gbk')

输出为：

1.3读取Excel文件

Excel文件（Excel 2007及以上版本的扩展名为.xlsx）是日常工作中经常使用的，该文件主要以工作表存储数据，工作表中包含排列成行和列的单元格。Excel文件中默认有3个工作表，用户可根据需要添加一定个数（因可用内存的限制）的工作表。

Pandas中使用read_excel()函数读取Excel文件中指定工作表的数据，并将数据转换成一个结构与工作表相似的DataFrame类对象。

pandas.read_excel(io, sheet_name=0, header=0, names=None, index_col=None,
        usecols=None,squeeze=False, dtype=None, engine=None,converters=None,
        true_values=None, false_values=None, skiprows=None, nrows=None,na_values=None, 
        parse_dates=False, date_parser=None,thousands=None, comment=None, 
        skipfooter=0,convert_float=True,**kwds)

sheet_name：表示要读取的工作表，默认值为0。

header：表示指定文件中的哪一行数据作为DataFrame类对象的列索引。

names：表示DataFrame类对象的列索引列表。

值得一提的是，当使用read_excel()函数读取Excel文件时，若出现importError异常，说明当前Python环境中缺少读取Excel文件的依赖库xlrd，需要手动安装依赖库xlrd（pip install xlrd）进行解决。或是安装

pip install openpyxl==3.0.9

1.3.1 读取Excel案例

有Excel文件

data3 = pd.read_excel('Athletes_info.xlsx',sheet_name='Sheet1',header=0,engine='openpyxl')
data3.head(3)

输出为：

io ：文件路径。

sheetname：返回多表使用sheetname=[0,1],若sheetname=None是返回全表 → ① int/string 返回的是dataframe ②而none和list返回的是dict

header：指定列名行，默认0，即取第一行

index_col：指定列为索引列，也可以使用u”strings”

备注:使用 pandas 读取 CSV 与 读取 xlsx 格式的 Excel 文件方法大致相同