Python——数据导入与准备

数据导入与准备是进行数据挖掘等机器学习的第一要素。从各种不同的格式文件中导入数据是一件比较麻烦的事。因为文件格式多种多样，那么使用导入的方法也是有所不同。我总结了目前最常用的文件格式导入数据的一些方法，给大家参考一下。

# 从CSV文件导入数据'''步骤：1. 打开文件2.读取文件头3.读取剩余行4当发生错误时抛出异常'''import csvimport sysfilename = 'ex5.csv'data = []try:    with open(filename) as f:        reader = csv.reader(f)        header = reader.next()        data = [row for row in reader]except csv.Error as e:    print "Error reading CSV file at line %s : %s" % (reader.line_num, e)    sys.exit(-1)if header:    print header    print "=========="for datarow in data:    print datarow# 从Excel文件中导入数据'''步骤：1. 打开文件的工作簿。2. 根据名称找到工作表。根据行数（nrows）和列数（ncols）读取单元格的内容。3. 打印出数据集合。'''import xlrdfile = 'output.xls'wb = xlrd.open_workbook(file)ws = wb.sheet_by_name("sheet1")dataset = []for r in xrange(ws.nrows):    col = []    for c in range(ws.ncols):        col.append(ws.cell(r, c).value)    dataset.append(col)# 美化打印from pprint import pprintpprint(dataset)# 从定宽数据文件导入数据'''步骤：1.指定要读取的数据文件。2.定义数据读取的方式。3.逐行读取文件并根据格式把每一行解析成单独的数据字段。4.按单独数据字段的形式打印每一行。'''import structdatafile = 'fix-width.data'# 掩码定义为5s10s5s，表示为9个字符的字符串，跟一个10个字符的字符串，再跟一个5个字符的字符串（包括空格）。mask = '5s10s5s'results = []with open(datafile, 'r') as f:    for line in f:        # 用格式解析的unpack_from方法。        fields = struct.Struct(mask).unpack_from(line)        results.append([field.strip() for field in fields])from pprint import pprintpprint(results)# 从制表符分隔的文件中读取数据'''制表符分隔的文件大部分是可以用CSV文件导入的方法，除了一些不正常的文件。这时就需要在切分前对特殊行的数据进行单独清理。'''from pandas import DataFramelines = []datafile = 'data_dirty.tab'with open(datafile, "r") as f:    for line in f:        line = line.strip().split("\t")        lines.append(line)        results = DataFrame(lines[1:], columns=[lines[0]])print results# 从JSON数据源导入数据'''步骤：1.指定URL读取JSON格式数据2.使用requests模块访问指定的URL，并获取内容3.读取内容并将转化为JSON格式的对象4.迭代访问JSON对象，读取每一个代码库的URL值'''import requestsurl = 'https://github.com/timeline.json'r = requests.get(url)json_obj = r.json()repos = set()for entry in json_obj:    print entry    try:        repos.add(entry['repository']['url'])    except KeyError as e:        print "No key %s Skipping..." % (e)from pprint import pprintpprint(repos)# 从HTML中导入数据from lxml.html import parsefrom urllib2 import urlopenparsed = parse(urlopen("https://finance.yahoo.com/q/op?s=AAPL+Options"))# 找到文档中的表格，并将其导入。doc = parsed.getroot()table = doc.findall(".//table")# 然后选择一个表格做测试。put = table[1]# 对于一个表格来说，有一个标题和数据。在HTML中th单元格就表示标题行，td则表示数据行。def _unpack(row, kind="td"):    elts = row.findall(".//%s" % kind)    return [val.text_content() for val in elts]# 同时，在导入数据表格时，应该考虑到文本类型。我们使用pandas中的TextParser类自动类型转换。from pandas.io.parsers import TextParserdef parse_options_data(table):    rows = table.findall(".//tr")    header = _unpack(rows[0], kind="th")    data = [_unpack(r) for r in rows[1:]]    return TextParser(data, names=header).get_chunk()# 最后对这个表格调用该解析函数put_data = parse_options_data(put)print put_data[:10]# 同时，我们也可以获取文档的全部URL# 链接的标签是a。links = doc.findall(".//a")# print links[15:20]# 得到一个链接的URL和文本内容分别使用，get()和text_content()方法urls = [lnk.get("href") for lnk in links]text = [lnk.text_content() for lnk in links]from pprint import pprintpprint(urls[:10])print “============”

pprint(text[:10])