Pandas IO操作详解

更多：Pandas…

格式类型	数据描述	Reader	Writer
text	CSV	read_csv	to_csv
text	JSON	read_json	to_json
text	HTML	read_html	to_html
text	clipboard	read_clipboard	to_clipboard
binary	Excel	read_excel	to_excel
binary	HDF5	read_hdf	to_hdf
binary	Feather	read_feather	to_feather
binary	Msgpack	read_msgpack	to_msgpack
binary	Stata	read_stata	to_stata
binary	SAS	read_sas
binary	Python Pickle	read_pickle	to_pickle
SQL	SQL	read_sql	to_sql
SQL	Google Big Query	read_gbq	to_gbq

可以看到，Pandas 的 I/O API是像 pd.read_csv() 一样访问的一组顶级 reader 函数，相应的 writer 函数是像 df.to_csv() 那样访问的对象方法。

这里我们介绍几个常用的API。

# 导入相关库
import numpy as np
import pandas as pd
from io import StringIO

read_csv

读取 csv 文件算是一种最常见的操作了。假如已经有人将一些用户的信息记录在了一个csv文件中，我们如何通过 Pandas 读取呢？

读取之前先来看下这个文件里的内容吧。

!cat ../data/user_info.csv
name,age,birth,sex
Tom,18.0,2000-02-10,
Bob,30.0,1988-10-17,male

可以看到，一共有 4 列，分别是 name, age, birth, sex 。我们可以直接使用 pd.read_csv 来读取。

pd.read_csv("../data/user_info.csv")

	name	age	birth	sex
0	Tom	18.0	2000-02-10	NaN
1	Bob	30.0	1988-10-17	male

可以看到，读取出来生成了一个 DataFrame，索引是自动创建的一个数字，我们可以设置参数 index_col 来将某列设置为索引，可以传入索引号或者名称。

pd.read_csv("../data/user_info.csv", index_col="name")

	age	birth	sex
name
Tom	18.0	2000-02-10	NaN
Bob	30.0	1988-10-17	male

除了可以从文件中读取，我们还可以从 StringIO 对象中读取。

data="name,age,birth,sexnTom,18.0,2000-02-10,nBob,30.0,1988-10-17,male"
print(data)
name,age,birth,sex
Tom,18.0,2000-02-10,
Bob,30.0,1988-10-17,male
pd.read_csv(StringIO(data))

	name	age	birth	sex
0	Tom	18.0	2000-02-10	NaN
1	Bob	30.0	1988-10-17	male

当然了，你还可以设置参数 sep 来自定义字段之间的分隔符，设置参数 lineterminator 来自定义每行的分隔符。

data = "name|age|birth|sex~Tom|18.0|2000-02-10|~Bob|30.0|1988-10-17|male"

pd.read_csv(StringIO(data), sep="|", lineterminator="~")

	name	age	birth	sex
0	Tom	18.0	2000-02-10	NaN
1	Bob	30.0	1988-10-17	male

在读取时，解析器会进行类型推断，任何非数字列都会以对象dtype的形式出现。当然我们也可以自己指定数据类型。

pd.read_csv(StringIO(data), sep="|", lineterminator="~", dtype={"age": int})

	name	age	birth	sex
0	Tom	18	2000-02-10	NaN
1	Bob	30	1988-10-17	male

Pandas 默认将第一行作为标题，但是有时候，csv文件并没有标题，我们可以设置参数 names 来添加标题。

data="Tom,18.0,2000-02-10,nBob,30.0,1988-10-17,male"
print(data)
Tom,18.0,2000-02-10,
Bob,30.0,1988-10-17,male
pd.read_csv(StringIO(data), names=["name", "age", "birth", "sex"])

	name	age	birth	sex
0	Tom	18.0	2000-02-10	NaN
1	Bob	30.0	1988-10-17	male

有时候可能只需要读取部分列的数据，可以指定参数 user_cols

data="name,age,birth,sexnTom,18.0,2000-02-10,nBob,30.0,1988-10-17,male"
print(data)
name,age,birth,sex
Tom,18.0,2000-02-10,
Bob,30.0,1988-10-17,male
pd.read_csv(StringIO(data), usecols=["name", "age"])

	name	age
0	Tom	18.0
1	Bob	30.0

关于缺失值的处理，也是有技巧的。默认参数 keep_default_na=False，会将空值都填充为 NaN。

pd.read_csv(StringIO(data))

	name	age	birth	sex
0	Tom	18.0	2000-02-10	NaN
1	Bob	30.0	1988-10-17	male

pd.read_csv(StringIO(data), keep_default_na=False)

	name	age	birth	sex
0	Tom	18.0	2000-02-10
1	Bob	30.0	1988-10-17	male

有时候，空值的定义比较广泛，假定我们认为 18 也是空值，那么将它加入到参数 na_values 中即可。

pd.read_csv(StringIO(data), na_values=[18])

	name	age	birth	sex
0	Tom	NaN	2000-02-10	NaN
1	Bob	30.0	1988-10-17	male

了解了 pd.read_csv 如何使用之后，to_csv 就非常方便了，这里就不做介绍了。

to_json

通常在得到了 DataFrame 之后，有时候我们需要将它转为一个 json 字符串，可以使用 to_json 来完成。

转换时，可以通过指定参数 orient 来输出不同格式的格式，之后以下几个参数：

split	字典像索引 – > [索引]，列 – > [列]，数据 – > [值]}
records	列表像{[列 – >值}，…，{列 – >值}]
index	字典像{索引 – > {列 – >值}}
columns	字典像{列 – > {索引 – >值}}
values	只是值数组

DataFrame 默认情况下使用 columns 这种形式，Series 默认情况下使用 index 这种形式。

设置为 columns 后会将数据作为嵌套JSON对象进行序列化，并将列标签作为主索引。

df = pd.read_csv("../data/user_info.csv", index_col="name")
df

	age	birth	sex
name
Tom	18.0	2000-02-10	NaN
Bob	30.0	1988-10-17	male

print(df.to_json())
{"age":{"Tom":18.0,"Bob":30.0},"birth":{"Tom":"2000-02-10","Bob":"1988-10-17"},"sex":{"Tom":null,"Bob":"male"}}

设置为index 后会将数据作为嵌套JSON对象进行序列化，并将索引标签作为主索引。

print(df.to_json(orient="index"))
{"Tom":{"age":18.0,"birth":"2000-02-10","sex":null},"Bob":{"age":30.0,"birth":"1988-10-17","sex":"male"}}

设置为 records 后会将数据序列化为列 – >值记录的JSON数组，不包括索引标签。

print(df.to_json(orient="records"))
[{"age":18.0,"birth":"2000-02-10","sex":null},{"age":30.0,"birth":"1988-10-17","sex":"male"}]

设置为 values 后会将是一个仅用于嵌套JSON数组值，不包含列和索引标签。

print(df.to_json(orient="values"))
[[18.0,"2000-02-10",null],[30.0,"1988-10-17","male"]]

设置为 split 后会将序列化为包含值，索引和列的单独条目的JSON对象。

print(df.to_json(orient="split"))
{"columns":["age","birth","sex"],"index":["Tom","Bob"],"data":[[18.0,"2000-02-10",null],[30.0,"1988-10-17","male"]]}

对于 read_json，这些参数也是同样的道理。