AI 助理
备案控制台
开发者社区 开发与运维 文章 正文

spss、R语言、Python数据分析系列（4）：python读取外部数据

2023-02-08 163
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介： spss、R语言、Python数据分析系列（4）：python读取外部数据

Python读取外部数据也比较简单，最常用的有pandas 和numpy模块


1、读取txt格式

import pandas as pd
 df1=pd.read_table('C:/Users/Administrator/Desktop/spss/数据/SPSS练习数据/data02-02a.txt')
  06 0 10 1.46 38
0  15 0 10 1.48 39
1  04 0 11 1.52 42
2  03 0 11 1.55 44
3  11 1 11 1.55 55
4  18 1 11 1.56 48



2、读取csv格式

df2=pd.read_csv('C:/Users/Administrator/Desktop/spss/数据/SPSS练习数据.csv')
df2
 2008/1/7  11.97  12.14   11.7   11.9  11.9.1
0    2008/1/8  11.90  12.75  11.80  12.21   12.21
1    2008/1/9  12.10  13.03  12.05  12.94   12.94
2   2008/1/10  13.04  13.32  12.71  13.10   13.10
3   2008/1/11  13.15  14.15  13.15  13.93   13.93
4   2008/1/14  13.96  14.45  13.60  14.03   14.03
5   2008/1/15  14.00  14.18  13.70  13.97   13.97
6   2008/1/16  13.80  13.85  13.11  13.32   13.32
7   2008/1/18  13.27  13.73  12.20  12.80   12.80
8   2008/1/21  12.75  13.34  12.35  13.22   13.22
9   2008/1/22  13.08  13.20  11.90  11.90   11.90
10  2008/1/23  11.00  11.40  10.71  10.71   10.71
11  2008/1/24  11.30  11.47  11.00  11.17   11.17
12   2008/1/7  11.97  12.14  11.70  11.90   11.90
13   2008/1/8  11.90  12.75  11.80  12.21   12.21
14   2008/1/9  12.10  13.03  12.05  12.94   12.94
15  2008/1/10  13.04  13.32  12.71  13.10   13.10
16  2008/1/11  13.15  14.15  13.15  13.93   13.93
17  2008/1/14  13.96  14.45  13.60  14.03   14.03
18  2008/1/15  14.00  14.18  13.70  13.97   13.97
19  2008/1/16  13.80  13.85  13.11  13.32   13.32
20  2008/1/18  13.27  13.73  12.20  12.80   12.80
21  2008/1/21  12.75  13.34  12.35  13.22   13.22
22  2008/1/22  13.08  13.20  11.90  11.90   11.90
23  2008/1/23  11.00  11.40  10.71  10.71   10.71
24  2008/1/24  11.30  11.47  11.00  11.17   11.17
25   2008/1/7  11.97  12.14  11.70  11.90   11.90
26   2008/1/8  11.90  12.75  11.80  12.21   12.21
27   2008/1/9  12.10  13.03  12.05  12.94   12.94
28  2008/1/10  13.04  13.32  12.71  13.10   13.10
29  2008/1/11  13.15  14.15  13.15  13.93   13.93
..        ...    ...    ...    ...    ...     ...
47  2008/1/21  12.75  13.34  12.35  13.22   13.22
48  2008/1/22  13.08  13.20  11.90  11.90   11.90
49  2008/1/23  11.00  11.40  10.71  10.71   10.71
50  2008/1/24  11.30  11.47  11.00  11.17   11.17
51   2008/1/7  11.97  12.14  11.70  11.90   11.90
52   2008/1/8  11.90  12.75  11.80  12.21   12.21
53   2008/1/9  12.10  13.03  12.05  12.94   12.94
54  2008/1/10  13.04  13.32  12.71  13.10   13.10
55  2008/1/11  13.15  14.15  13.15  13.93   13.93
56  2008/1/14  13.96  14.45  13.60  14.03   14.03
57  2008/1/15  14.00  14.18  13.70  13.97   13.97
58  2008/1/16  13.80  13.85  13.11  13.32   13.32
59  2008/1/18  13.27  13.73  12.20  12.80   12.80
60  2008/1/21  12.75  13.34  12.35  13.22   13.22
61  2008/1/22  13.08  13.20  11.90  11.90   11.90
62  2008/1/23  11.00  11.40  10.71  10.71   10.71
63  2008/1/24  11.30  11.47  11.00  11.17   11.17
64   2008/1/7  11.97  12.14  11.70  11.90   11.90
65   2008/1/8  11.90  12.75  11.80  12.21   12.21
66   2008/1/9  12.10  13.03  12.05  12.94   12.94
67  2008/1/10  13.04  13.32  12.71  13.10   13.10
68  2008/1/11  13.15  14.15  13.15  13.93   13.93
69  2008/1/14  13.96  14.45  13.60  14.03   14.03
70  2008/1/15  14.00  14.18  13.70  13.97   13.97
71  2008/1/16  13.80  13.85  13.11  13.32   13.32
72  2008/1/18  13.27  13.73  12.20  12.80   12.80
73  2008/1/21  12.75  13.34  12.35  13.22   13.22
74  2008/1/22  13.08  13.20  11.90  11.90   11.90
75  2008/1/23  11.00  11.40  10.71  10.71   10.71
76  2008/1/24  11.30  11.47  11.00  11.17   11.17
[77 rows x 6 columns]


3、读取excel格式

df3=pd.read_excel('C:/Users/Administrator/Desktop/spss/数据/SPSS练习数据.xlsx')
df3 2008-01-07 00:00:00  11.97  12.14   11.7   11.9  11.9.1
0           2008-01-08  11.90  12.75  11.80  12.21   12.21
1           2008-01-09  12.10  13.03  12.05  12.94   12.94
2           2008-01-10  13.04  13.32  12.71  13.10   13.10
3           2008-01-11  13.15  14.15  13.15  13.93   13.93
4           2008-01-14  13.96  14.45  13.60  14.03   14.03
5           2008-01-15  14.00  14.18  13.70  13.97   13.97
6           2008-01-16  13.80  13.85  13.11  13.32   13.32
7           2008-01-18  13.27  13.73  12.20  12.80   12.80
8           2008-01-21  12.75  13.34  12.35  13.22   13.22
9           2008-01-22  13.08  13.20  11.90  11.90   11.90
10          2008-01-23  11.00  11.40  10.71  10.71   10.71
11          2008-01-24  11.30  11.47  11.00  11.17   11.17
12          2008-01-07  11.97  12.14  11.70  11.90   11.90
13          2008-01-08  11.90  12.75  11.80  12.21   12.21
14          2008-01-09  12.10  13.03  12.05  12.94   12.94
15          2008-01-10  13.04  13.32  12.71  13.10   13.10
16          2008-01-11  13.15  14.15  13.15  13.93   13.93
17          2008-01-14  13.96  14.45  13.60  14.03   14.03
18          2008-01-15  14.00  14.18  13.70  13.97   13.97
19          2008-01-16  13.80  13.85  13.11  13.32   13.32
20          2008-01-18  13.27  13.73  12.20  12.80   12.80
21          2008-01-21  12.75  13.34  12.35  13.22   13.22
22          2008-01-22  13.08  13.20  11.90  11.90   11.90
23          2008-01-23  11.00  11.40  10.71  10.71   10.71
24          2008-01-24  11.30  11.47  11.00  11.17   11.17
25          2008-01-07  11.97  12.14  11.70  11.90   11.90
26          2008-01-08  11.90  12.75  11.80  12.21   12.21
27          2008-01-09  12.10  13.03  12.05  12.94   12.94
28          2008-01-10  13.04  13.32  12.71  13.10   13.10
29          2008-01-11  13.15  14.15  13.15  13.93   13.93
..                 ...    ...    ...    ...    ...     ...
47          2008-01-21  12.75  13.34  12.35  13.22   13.22
48          2008-01-22  13.08  13.20  11.90  11.90   11.90
49          2008-01-23  11.00  11.40  10.71  10.71   10.71
50          2008-01-24  11.30  11.47  11.00  11.17   11.17
51          2008-01-07  11.97  12.14  11.70  11.90   11.90
52          2008-01-08  11.90  12.75  11.80  12.21   12.21
53          2008-01-09  12.10  13.03  12.05  12.94   12.94
54          2008-01-10  13.04  13.32  12.71  13.10   13.10
55          2008-01-11  13.15  14.15  13.15  13.93   13.93
56          2008-01-14  13.96  14.45  13.60  14.03   14.03
57          2008-01-15  14.00  14.18  13.70  13.97   13.97
58          2008-01-16  13.80  13.85  13.11  13.32   13.32
59          2008-01-18  13.27  13.73  12.20  12.80   12.80
60          2008-01-21  12.75  13.34  12.35  13.22   13.22
61          2008-01-22  13.08  13.20  11.90  11.90   11.90
62          2008-01-23  11.00  11.40  10.71  10.71   10.71
63          2008-01-24  11.30  11.47  11.00  11.17   11.17
64          2008-01-07  11.97  12.14  11.70  11.90   11.90
65          2008-01-08  11.90  12.75  11.80  12.21   12.21
66          2008-01-09  12.10  13.03  12.05  12.94   12.94
67          2008-01-10  13.04  13.32  12.71  13.10   13.10
68          2008-01-11  13.15  14.15  13.15  13.93   13.93
69          2008-01-14  13.96  14.45  13.60  14.03   14.03
70          2008-01-15  14.00  14.18  13.70  13.97   13.97
71          2008-01-16  13.80  13.85  13.11  13.32   13.32
72          2008-01-18  13.27  13.73  12.20  12.80   12.80
73          2008-01-21  12.75  13.34  12.35  13.22   13.22
74          2008-01-22  13.08  13.20  11.90  11.90   11.90
75          2008-01-23  11.00  11.40  10.71  10.71   10.71
76          2008-01-24  11.30  11.47  11.00  11.17   11.17
[77 rows x 6 columns]


4、读取spss格式

import savReaderWriter
df4=savReaderWriter.SavReader('C:/Users/Administrator/Desktop/spss/数据/SPSS练习数据/data02-01.sav')
文章标签：
Python
数据挖掘
关键词：
Python数据分析
数据分析python
Python数据
r语言Python数据分析
r语言python
tianjixuetu
目录
相关文章
东方睿赢
|
9天前
|
机器学习/深度学习 数据采集 数据挖掘
解锁 Python 数据分析新境界：Pandas 与 NumPy 高级技巧深度剖析
Pandas 和 NumPy 是 Python 中不可或缺的数据处理和分析工具。本文通过实际案例深入剖析了 Pandas 的数据清洗、NumPy 的数组运算、结合两者进行数据分析和特征工程，以及 Pandas 的时间序列处理功能。这些高级技巧能够帮助我们更高效、准确地处理和分析数据，为决策提供支持。
东方睿赢
21 2
张志凌
|
9天前
|
图形学 Python
SciPy 空间数据2
凸包（Convex Hull）是计算几何中的概念，指包含给定点集的所有凸集的交集。可以通过 `ConvexHull()` 方法创建凸包。示例代码展示了如何使用 `scipy` 库和 `matplotlib` 绘制给定点集的凸包。
张志凌
18 1
小王老师呀
|
10天前
|
JSON 数据格式 索引
Python中序列化/反序列化JSON格式的数据
【11月更文挑战第4天】本文介绍了 Python 中使用 `json` 模块进行序列化和反序列化的操作。序列化是指将 Python 对象（如字典、列表）转换为 JSON 字符串，主要使用 `json.dumps` 方法。示例包括基本的字典和列表序列化，以及自定义类的序列化。反序列化则是将 JSON 字符串转换回 Python 对象，使用 `json.loads` 方法。文中还提供了具体的代码示例，展示了如何处理不同类型的 Python 对象。
小王老师呀
15 1
爱专研的技术土狗
|
10天前
|
数据采集 Web App开发 iOS开发
如何使用 Python 语言的正则表达式进行网页数据的爬取？
使用 Python 进行网页数据爬取的步骤包括：1. 安装必要库（requests、re、bs4）；2. 发送 HTTP 请求获取网页内容；3. 使用正则表达式提取数据；4. 数据清洗和处理；5. 循环遍历多个页面。通过这些步骤，可以高效地从网页中提取所需信息。
爱专研的技术土狗
22 1
我们是幸福一家人
|
7天前
|
并行计算 数据挖掘 大数据
Python数据分析实战：利用Pandas处理大数据集
Python数据分析实战：利用Pandas处理大数据集
我们是幸福一家人
28 0
代码bug生产队
|
7天前
|
数据采集 数据可视化 数据挖掘
利用Python进行数据分析：Pandas库实战指南
利用Python进行数据分析：Pandas库实战指南
代码bug生产队
27 0
张志凌
|
9天前
|
索引 Python
SciPy 空间数据1
SciPy 通过 `scipy.spatial` 模块处理空间数据，如判断点是否在边界内、计算最近点等。三角测量是通过测量角度来确定目标距离的方法。多边形的三角测量可将其分解为多个三角形，用于计算面积。Delaunay 三角剖分是一种常用方法，可以对一系列点进行三角剖分。示例代码展示了如何使用 `Delaunay()` 函数创建三角形并绘制。
张志凌
18 0
游客nsyhaoxcmeiq6
|
9天前
|
SQL 数据挖掘 Python
数据分析编程：SQL,Python or SPL?
数据分析编程用什么，SQL、python or SPL?话不多说，直接上代码，对比明显，明眼人一看就明了：本案例涵盖五个数据分析任务：1) 计算用户会话次数；2) 球员连续得分分析；3) 连续三天活跃用户数统计；4) 新用户次日留存率计算；5) 股价涨跌幅分析。每个任务基于相应数据表进行处理和计算。
游客nsyhaoxcmeiq6
25 0
我不是游客20240119
|
9天前
|
数据采集 数据可视化 数据挖掘
使用Python进行数据分析和可视化
【10月更文挑战第33天】本文将介绍如何使用Python编程语言进行数据分析和可视化。我们将从数据清洗开始，然后进行数据探索性分析，最后使用matplotlib和seaborn库进行数据可视化。通过阅读本文，你将学会如何运用Python进行数据处理和可视化展示。
我不是游客20240119
21 0
众所周知
|
3月前
|
数据采集 数据可视化 数据挖掘
数据分析大神养成记：Python+Pandas+Matplotlib助你飞跃！
在数字化时代，数据分析至关重要，而Python凭借其强大的数据处理能力和丰富的库支持，已成为该领域的首选工具。Python作为基石，提供简洁语法和全面功能，适用于从数据预处理到高级分析的各种任务。Pandas库则像是神兵利器，其DataFrame结构让表格型数据的处理变得简单高效，支持数据的增删改查及复杂变换。配合Matplotlib这一数据可视化的魔法棒，能以直观图表展现数据分析结果。掌握这三大神器，你也能成为数据分析领域的高手！
众所周知
77 2

热门文章

最新文章

  • 1
    四大触点，教你从“用户视角”构建数据分析体系
  • 2
    AI数据分析创企ActionIQ获1300万美元A轮融资，红杉领投
  • 3
    运营也用的起来的数据分析工具：Quick BI即席分析详解
  • 4
    小白学数据分析----->解析在线平高比
  • 5
    非数据科学家如何进行数据分析?
  • 6
    如何通过数据分析来衡量游戏中的用户体验
  • 7
    小白学数据分析----->怎么看待数据处理
  • 8
    小白学数据分析----->付费渗透率再研究
  • 9
    “打破孤岛”用多维交叉工具做有理有据的数据分析
  • 10
    使用Python进行数据分析：探索不同电影《消失的她》和《八角笼中》票房数据对比
  • 1
    广义线性模型beta二项分布的淋巴结疾病风险预测可视化R语言2实例合集|附数据代码
    94
  • 2
    【视频】R语言支持向量回归SVR预测水位实例讲解|附代码数据
    269
  • 3
    R语言Stan贝叶斯回归置信区间后验分布可视化模型检验|附数据代码
    255
  • 4
    数据分享|R语言机器学习预测案例合集：众筹平台、机票折扣、糖尿病患者、员工满意度
    125
  • 5
    R语言层次聚类、多维缩放MDS分类RNA测序（RNA-seq）乳腺发育基因数据可视化|附数据代码2
    67
  • 6
    R语言层次聚类、多维缩放MDS分类RNA测序（RNA-seq）乳腺发育基因数据可视化|附数据代码1
    84
  • 7
    R语言分类回归分析考研热现象分析与考研意愿价值变现
    73
  • 8
    R语言广义线性混合模型GLMMs在生态学中应用可视化2实例合集|附数据代码2
    150
  • 9
    R语言广义线性混合模型GLMMs在生态学中应用可视化2实例合集|附数据代码1
    139
  • 10
    R语言广义线性混合模型（GLMM）bootstrap预测置信区间可视化
    97

    • 相关课程

    更多
  • Python 数据分析库 Pandas 快速入门
  • Python语言基础 - 函数、面向对象、异常处理
  • 深入理解数据分析
  • 场景实践-通过阿里云数据分析工具实现共享单车骑行分析
  • 大数据之R语言速成与实战

    • 相关电子书

    更多
  • Python第四讲——使用IPython/Jupyter Notebook与日志服务玩转超大规模数据分析与可视化
  • 互联网下半场的角逐，玩转轻资产的大数据服务—图（关系网络）数据分析与阿里应用
  • 如何使用大数据计算服务 MaxCompute进行数据分析

    • 相关实验场景

    更多
  • 自然语言入门：NLP数据读取与数据分析
  • Python新手入门
  • Python入门
  • 库仓一体实时数据分析
  • 助力游戏运营数据分析
  • Python选择及循环结构

    • 推荐镜像

    更多
  • python-release
  • nodejs-release
  • pypi
    • 下一篇
    阿里云OSS设置跨域访问