《利用Python 进行数据分析》 - 笔记(4)----json

解决方案：

读写文本格式的数据：

  • pandas 提供了一些用于将表格型数据读取为DataFrame对象的函数
  • pandas 中的解析函数


  • 函数的选项可以划分为以下几个大类
  1. 索引：将一个或多个列当做返回的DataFrame处理，以及是否从文件、用户获取列名
  2. 类型推断和数据转换：包括用户定义值的转换、缺失值标记列表等。
  3. 日期解析：包括组合功能，比如 将分散在多个列的日期信息组合成结果中的单个列
  4. 迭代：支持对大文件进行逐块迭代
  5. 不规整数据问题：跳过一些行、页脚、注释或其他一些不重要的东西

  • 类型推断：
  • 你不需要指定列的类型到底是数值、整数、布尔值、还是字符串。
  • 日期和其他自定义类型的处理需要花点功夫才行。
  • 分别用read_csv() 和 read_table() 读取文件
[plain] view plain copy
  1. In [17]: !cat ex1.csv  
  2. a,b,c,d,message  
  3. 1,2,3,4,hello  
  4. 5,6,7,8,world  
  5. 9,10,11,12,foo  
  6. In [18]: import pandas as pd  
  7.   
  8. In [19]: df = pd.read_csv('ex1.csv')  
  9.   
  10. In [20]: df  
  11. Out[20]:   
  12.    a   b   c   d message  
  13. 0  1   2   3   4   hello  
  14. 1  5   6   7   8   world  
  15. 2  9  10  11  12     foo  
  16.   
  17. In [21]: pd.read_table('ex1.csv', sep=',')  
  18. Out[21]:   
  19.    a   b   c   d message  
  20. 0  1   2   3   4   hello  
  21. 1  5   6   7   8   world  
  22. 2  9  10  11  12     foo  

  • 对于没有标题行的文件
[plain] view plain copy
  1. In [25]: !cat ex2.csv                 
  2. 1,2,3,4,hello  
  3. 5,6,7,8,world  
  4. 9,10,11,12,foo  
  5. In [26]: pd.read_csv('ex2.csv', header = None)  
  6. Out[26]:   
  7.    0   1   2   3      4  
  8. 0  1   2   3   4  hello  
  9. 1  5   6   7   8  world  
  10. 2  9  10  11  12    foo  
  11.   
  12. In [27]: pd.read_csv('ex2.csv', names = ['a','b','c','d','message'])  
  13. Out[27]:   
  14.    a   b   c   d message  
  15. 0  1   2   3   4   hello  
  16. 1  5   6   7   8   world  
  17. 2  9  10  11  12     foo  

  • 如果希望将message 列做成DataFrame 的索引
  1. 明确表示要将该列放到索引4的位置上
  2. 通过index_col 参数指定
[plain] view plain copy
  1. In [28]: names = ['a','b','c','d','message']  
  2.   
  3.   
  4. In [29]: pd.read_csv('ex2.csv', names = names, index_col='message')  
  5. Out[29]:   
  6.          a   b   c   d  
  7. message                 
  8. hello    1   2   3   4  
  9. world    5   6   7   8  
  10. foo      9  10  11  12  

  • 如果你希望做成层次化索引，只需要传入由列编号或列名组成的列表即可
[plain] view plain copy
  1. In [31]: parsed = pd.read_csv('csv_mindex.csv', index_col = ['key1','key2'])  
  2.   
  3. In [32]: parsed  
  4. Out[32]:   
  5.            value1  value2  
  6. key1 key2                  
  7. one  a          1       2  
  8.      b          3       4  
  9.      c          5       6  
  10.      d          7       8  
  11. two  a          9      10  
  12.      b         11      12  
  13.      c         13      14  
  14.      d         15      16  

  • 有些表格可能不是用固定的分隔符去分隔字段，对于这种情况我们要用正则表达来作为read_table 的分隔符
[plain] view plain copy
  1. In [8]: !cat ex3.txt  
  2.             A         B         C  
  3. aaa -0.264438 -1.026059 -0.619500  
  4. bbb  0.927272  0.302904 -0.032399  
  5. ccc -0.264273 -0.386314 -0.217601  
  6. ddd -0.871858 -0.348382  1.100491  
  7.   
  8. In [10]: result = pd.read_table('ex3.txt', sep='\s+')  
  9.   
  10. In [11]: result  
  11. Out[11]:   
  12.             A         B         C  
  13. aaa -0.264438 -1.026059 -0.619500  
  14. bbb  0.927272  0.302904 -0.032399  
  15. ccc -0.264273 -0.386314 -0.217601  
  16. ddd -0.871858 -0.348382  1.100491  

  • 缺失值处理是文件解析任务中的一个重要的组成部分
  1. 缺失数据是一个空串（什么都没有）
  2. 用一个标记值来标记（NA,-1.#IND,NULL）
  3. na_values 参数规定什么样的值是NA 值
[plain] view plain copy
  1. In [22]: result = pd.read_csv('ex5.csv')  
  2.   
  3. In [23]: result  
  4. Out[23]:   
  5.   something  a   b   c   d message  
  6. 0       one  1   2   3   4     NaN  
  7. 1       two  5   6 NaN   8   world  
  8. 2     three  9  10  11  12     foo  
  9.   
  10. In [24]: result = pd.read_csv('ex5.csv', na_values=['10','11','12'])  
  11.   
  12. In [25]: result  
  13. Out[25]:   
  14.   something  a   b   c   d message  
  15. 0       one  1   2   3   4     NaN  
  16. 1       two  5   6 NaN   8   world  
  17. 2     three  9 NaN NaN NaN     foo  

  • read_csv/read_table 函数的参数


1.逐块读取文本文件

  • read_csv 所返回的是个TextParser(文本解析器对象)使你可以根据chunksize 对文件进行逐块迭代
[plain] view plain copy
  1. In [27]: chunker = pd.read_csv('ex6.csv', chunksize=1000)  
  2.   
  3. In [28]: chunker  
  4. Out[28]: <pandas.io.parsers.TextFileReader at 0x7f4a0c369e90>  

  • 我们可以迭代处理这个ex6.csv 将值计数聚合到”key“列中
  • ex6.py
[python] view plain copy
  1. #!/usr/bin/env python  
  2. # coding=utf-8  
  3. import pandas as pd  
  4.   
  5. chunker = pd.read_csv('ex6.csv', chunksize=1000)  
  6. result = pd.Series([])  
  7. for piece in chunker:  
  8.     result = result.add(piece['key'].value_counts(),fill_value=0)  
  9.   
  10. result = result.order(ascending = False)  

[plain] view plain copy
  1. In [37]: pd.read_csv('ex6.csv',nrows=5)  
  2. Out[37]:   
  3.         one       two     three      four key  
  4. 0  0.467976 -0.038649 -0.295344 -1.824726   L  
  5. 1 -0.358893  1.404453  0.704965 -0.200638   B  
  6. 2 -0.501840  0.659254 -0.421691 -0.057688   G  
  7. 3  0.204886  1.074134  1.388361 -0.982404   R  
  8. 4  0.354628 -0.133116  0.283763 -0.837063   Q  
  9.   
  10. In [38]: run ex6.py  
  11.   
  12. In [39]: result[:10]  
  13. Out[39]:   
  14. E    368  
  15. X    364  
  16. L    346  
  17. O    343  
  18. Q    340  
  19. M    338  
  20. J    337  
  21. F    335  
  22. K    334  
  23. H    330  
  24. dtype: float64  


2.将数据写出到文本格式

  • DataFrame 的 to_csv方法
  1. 可以将数据写到文件中（.txt/.csv/...）
  2. 默认分隔符为‘，’
  3. 我们可以使用sep 参数控制分隔符
  4. na_rep 参数处理缺失值
[plain] view plain copy
  1. In [20]: data = pd.read_csv('ex5.csv')  
  2.   
  3. In [21]: data  
  4. Out[21]:   
  5.   something  a   b   c   d message  
  6. 0       one  1   2   3   4     NaN  
  7. 1       two  5   6 NaN   8   world  
  8. 2     three  9  10  11  12     foo  
  9.   
  10. In [22]: data.to_csv('out.csv')  
  11.   
  12. In [23]: !cat out.csv  
  13. ,something,a,b,c,d,message  
  14. 0,one,1,2,3.0,4,  
  15. 1,two,5,6,,8,world  
  16. 2,three,9,10,11.0,12,foo  
  17.   
  18. In [24]: data.to_csv('out.csv',sep='|')  
  19.   
  20. In [25]: !cat out.csv  
  21. |something|a|b|c|d|message  
  22. 0|one|1|2|3.0|4|  
  23. 1|two|5|6||8|world  
  24. 2|three|9|10|11.0|12|foo  
  25.   
  26. In [27]: data.to_csv('out.csv',sep='|',na_rep='null')  
  27.   
  28. In [28]: !cat out.csv  
  29. |something|a|b|c|d|message  
  30. 0|one|1|2|3.0|4|null  
  31. 1|two|5|6|null|8|world  
  32. 2|three|9|10|11.0|12|foo  

  1.  如果没有其他选项，则会写出行和列的标签
  2. 我们也可以只写出一部分的列，并以我们指定的顺序排列
[plain] view plain copy
  1. In [38]: data.to_csv('out.csv',index = False, cols = ['a','b','c'],na_rep = 'null')  
  2.   
  3. In [39]: !cat out.csv  
  4. a,b,c  
  5. 1,2,3.0  
  6. 5,6,null  
  7. 9,10,11.0  

  • Series 的 to_csv 方法
[plain] view plain copy
  1. In [44]: dates = pd.date_range('1/1/2000',periods=10)  
  2.   
  3. In [45]: dates  
  4. Out[45]:   
  5. <class 'pandas.tseries.index.DatetimeIndex'>  
  6. [2000-01-01, ..., 2000-01-10]  
  7. Length: 10, Freq: D, Timezone: None  
  8.   
  9. In [47]: ts = pd.Series(np.arange(10),index=dates)  
  10.   
  11. In [48]: ts.to_csv('tseries.csv')  
  12.   
  13. In [49]: !cat tseries.csv  
  14. 2000-01-01,0  
  15. 2000-01-02,1  
  16. 2000-01-03,2  
  17. 2000-01-04,3  
  18. 2000-01-05,4  
  19. 2000-01-06,5  
  20. 2000-01-07,6  
  21. 2000-01-08,7  
  22. 2000-01-09,8  
  23. 2000-01-10,9  


  • Series 的 from_csv 方法
[plain] view plain copy
  1. In [50]: data = pd.read_csv('tseries.csv')  
  2.   
  3. In [51]: data  
  4. Out[51]:   
  5.    2000-01-01  0  
  6. 0  2000-01-02  1  
  7. 1  2000-01-03  2  
  8. 2  2000-01-04  3  
  9. 3  2000-01-05  4  
  10. 4  2000-01-06  5  
  11. 5  2000-01-07  6  
  12. 6  2000-01-08  7  
  13. 7  2000-01-09  8  
  14. 8  2000-01-10  9  
  15.   
  16. In [52]: data = pd.Series.from_csv('tseries.csv')  
  17.   
  18. In [53]: data  
  19. Out[53]:   
  20. 2000-01-01    0  
  21. 2000-01-02    1  
  22. 2000-01-03    2  
  23. 2000-01-04    3  
  24. 2000-01-05    4  
  25. 2000-01-06    5  
  26. 2000-01-07    6  
  27. 2000-01-08    7  
  28. 2000-01-09    8  
  29. 2000-01-10    9  
  30. dtype: int64  

3.JSON数据


  1. json：一种数据传输的标准格式（http请求在web浏览器和各个应用程序之间）
  2. pandas 团队正在致力于添加原生的高效的json导出（to_json) 和解码（from_json）功能
  3. 我们可以通过json.loads 将json 字符串转换成python形式
  4. 相反，json.dumps则将python对象转换成json格式
  5. 也可以向DataFrame 构造器传入一组Json 对象，并选取数据字段的子集
[plain] view plain copy
  1. In [54]: obj = """  
  2.    ....: { "programmers": [  
  3.    ....:   
  4.    ....: { "firstName": "Brett", "lastName":"McLaughlin", "email": "aaaa" },  
  5.    ....:   
  6.    ....: { "firstName": "Jason", "lastName":"Hunter", "email": "bbbb" },  
  7.    ....:   
  8.    ....: { "firstName": "Elliotte", "lastName":"Harold", "email": "cccc" }  
  9.    ....:   
  10.    ....: ],  
  11.    ....:   
  12.    ....: "authors": [  
  13.    ....:   
  14.    ....: { "firstName": "Isaac", "lastName": "Asimov", "genre": "science fiction" },  
  15.    ....:   
  16.    ....: { "firstName": "Tad", "lastName": "Williams", "genre": "fantasy" },  
  17.    ....:   
  18.    ....: { "firstName": "Frank", "lastName": "Peretti", "genre": "christian fiction" }  
  19.    ....:   
  20.    ....: ],  
  21.    ....:   
  22.    ....: "musicians": [  
  23.    ....:   
  24.    ....: { "firstName": "Eric", "lastName": "Clapton", "instrument": "guitar" },   ....:   
  25.    ....: { "firstName": "Sergei", "lastName": "Rachmaninoff", "instrument": "piano" }  
  26.    ....:   
  27.    ....: ] }  
  28.    ....: """  
  29.   
  30. In [55]: import json  
  31.   
  32. In [56]: result = json.loads(obj)  
  33.   
  34. In [57]: result  
  35. Out[57]:   
  36. {u'authors': [{u'firstName': u'Isaac',  
  37.    u'genre': u'science fiction',  
  38.    u'lastName': u'Asimov'},  
  39.   {u'firstName': u'Tad', u'genre': u'fantasy', u'lastName': u'Williams'},  
  40.   {u'firstName': u'Frank',  
  41.    u'genre': u'christian fiction',  
  42.    u'lastName': u'Peretti'}],  
  43.  u'musicians': [{u'firstName': u'Eric',  
  44.    u'instrument': u'guitar',  
  45.    u'lastName': u'Clapton'},  
  46.   {u'firstName': u'Sergei',  
  47.    u'instrument': u'piano',  
  48.    u'lastName': u'Rachmaninoff'}],  
  49.  u'programmers': [{u'email': u'aaaa',  
  50.    u'firstName': u'Brett',  
  51.    u'lastName': u'McLaughlin'},  
  52.   {u'email': u'bbbb', u'firstName': u'Jason', u'lastName': u'Hunter'},  
  53.   {u'email': u'cccc', u'firstName': u'Elliotte', u'lastName': u'Harold'}]}  
  54.   
  55. In [58]: asjson = json.dumps(result)  
  56.   
  57. In [59]: musicians = pd.DataFrame(result['musicians'],columns=['firstName','lastName'])  
  58.   
  59. In [60]: musicians  
  60. Out[60]:   
  61.   firstName      lastName  
  62. 0      Eric       Clapton  
  63. 1    Sergei  Rachmaninoff  

4.xml和html：web信息收集


  • 从html中提取 超链接
[plain] view plain copy
  1. In [62]: from lxml.html import parse  
  2.   
  3. In [63]: from urllib2 import urlopen  
  4.   
  5. In [64]: parsed = parse(urlopen('http://finance.yahoo.com/q/op?s=AAPL+Options'))   
  6. In [65]: doc = parsed.getroot()  
  7.   
  8. In [66]: links = doc.findall('.//a')  
  9.   
  10. In [67]: links[10:20]  
  11. Out[67]:   
  12. [<Element a at 0x7fac8955c3c0>,  
  13.  <Element a at 0x7fac8955c418>,  
  14.  <Element a at 0x7fac8955c470>,  
  15.  <Element a at 0x7fac8955c4c8>,  
  16.  <Element a at 0x7fac8955c520>,  
  17.  <Element a at 0x7fac8955c578>,  
  18.  <Element a at 0x7fac8955c5d0>,  
  19.  <Element a at 0x7fac8955c628>,  
  20.  <Element a at 0x7fac8955c680>,  
  21.  <Element a at 0x7fac8955c6d8>]  
  22.   
  23. In [68]: lnk = links[28]  
  24.   
  25. In [69]: lnk  
  26. Out[69]: <Element a at 0x7fac8955c9f0>  
  27.   
  28. In [70]: lnk.get('href')  
  29. Out[70]: 'https://help.yahoo.com/l/us/yahoo/finance/'  
  30.   
  31. In [71]: lnk.text_content()  
  32. Out[71]: 'Help'  
  33.   
  34. In [72]: urls = [lnk.get('href') for lnk in doc.findall('.//a')]  
  35.   
  36. In [73]: urls[-10:]  
  37. Out[73]:   
  38. ['/q/cf?s=AAPL+Cash+Flow',  
  39.  'https://mobile.yahoo.com/finance/?src=gta',  
  40.  '/q/op?s=AAPL&date=1463529600',  
  41.  '/q/op?s=AAPL&straddle=true&date=1463529600',  
  42.  None,  
  43.  None,  
  44.  None,  
  45.  None,  
  46.  '/q/op?s=AAPL&strike=20.00',  
  47.  '/q?s=BVZ160518P00020000']  


二进制数据格式：

  • HDF5

PyTables和h5py这两个Python项目可以将NumPy的数组数据存储为高效且可压缩的HDF5格式（层次化数据格式）。你可以安全地将好几百GB甚至TB的数据存储为HDF5格式。

PyTables提供了一些用于结构化数组的高级查询功能，而且还能添加列索引以提升查询速度，这跟关系型数据库所提供的表索引功能非常类似。

  • 读取 Microsoft Excel 文件
  1. 创建一个ExcelFile 文件的实例：pd.ExcelFile('filepath')
  2. 通过parse 传入到DataFrame中:xls_file.parse('Sheet1')


使用HTML和web API：

  • 安装requests 包
[plain] view plain copy
  1. peerslee@peerslee-ubuntu:~$ sudo apt-get install python-requests  
  2. [sudo] peerslee 的密码：   
  3. 正在读取软件包列表... 完成  
  4. 正在分析软件包的依赖关系树         
  5. 正在读取状态信息... 完成         
  6. 将会安装下列额外的软件包：  
  7.   python-ndg-httpsclient python-urllib3  
  8. 建议安装的软件包：  
  9.   python-ntlm  
  10. 下列【新】软件包将被安装：  
  11.   python-ndg-httpsclient python-requests python-urllib3  
  12. 升级了 0 个软件包，新安装了 3 个软件包，要卸载 0 个软件包，有 4 个软件包未被升级。  
  13. 需要下载 135 kB 的软件包。  
  14. 解压缩后会消耗掉 648 kB 的额外空间。  
  15. 您希望继续执行吗？ [Y/n] Y  
  16. 获取：1 http://mirrors.hust.edu.cn/ubuntu/ wily/main python-ndg-httpsclient all 0.4.0-1 [24.9 kB]  
  17. 获取：2 http://mirrors.hust.edu.cn/ubuntu/ wily/main python-urllib3 all 1.11-1 [56.2 kB]  
  18. 获取：3 http://mirrors.hust.edu.cn/ubuntu/ wily/main python-requests all 2.7.0-3 [53.8 kB]  
  19. 下载 135 kB，耗时 2秒 (46.3 kB/s)            
  20. 正在选中未选择的软件包 python-ndg-httpsclient。  
  21. (正在读取数据库 ... 系统当前共安装有 223563 个文件和目录。)  
  22. 正准备解包 .../python-ndg-httpsclient_0.4.0-1_all.deb  ...  
  23. 正在解包 python-ndg-httpsclient (0.4.0-1) ...  
  24. 正在选中未选择的软件包 python-urllib3。  
  25. 正准备解包 .../python-urllib3_1.11-1_all.deb  ...  
  26. 正在解包 python-urllib3 (1.11-1) ...  
  27. 正在选中未选择的软件包 python-requests。  
  28. 正准备解包 .../python-requests_2.7.0-3_all.deb  ...  
  29. 正在解包 python-requests (2.7.0-3) ...  
  30. 正在处理用于 man-db (2.7.4-1) 的触发器 ...  
  31. 正在设置 python-ndg-httpsclient (0.4.0-1) ...  
  32. 正在设置 python-urllib3 (1.11-1) ...  
  33. 正在设置 python-requests (2.7.0-3) ...  

  • 发送一个http get请求

  • 将GET请求返回的内容加载到一个python 对象中


  • 响应的结果中有一组python字典


  • 截取字段，然后创建DataFrame

  • 该DataFrame 中每一行字都是一条来自tweet的数据


posted @ 2017-11-29 00:32  丁培飞  阅读(649)  评论(0)  编辑  收藏  举报