Python中基本的读文件和简单数据处理

来源：互联网发布：人工智能应用文献综述编辑：程序博客网时间：2024/06/06 07:48

Python中基本的读文件和简单数据处理

暂无评论

DataQuest上面的免费课程（本文是Python基础课程部分），里面有些很基础的东西（csv文件读，字符串预处理等），发在这里做记录。涉及下面六个案例：

Find the lowest crime rate（读取csv文件，字符串切分，for循环和if判断过滤数据）
Discover weather pattern in LA（for循环和if判断进行频数统计）
Building a Spell Checker（词频统计，字符串预处理，字典跑字符串，统计正确错误单词）
Analyze NFL data（使用CSVmodule导入文件，类，函数，使用字典和list进行简单统计）
What should you name your kid if you want them to be a US Congressperson?（数据预处理，强制类型转换int()，try-except语句，字典方式统计，转存需要数据）
Which airline is delayed the most?
附录：逐行读取txt文件

案例1 Find the lowest crime rate

（读取csv文件，字符串切分，for循环和if判断过滤数据）

crime_rates.csv是单sheet，73Rows，2Cols的文件。第一列是城市名称（字符串），第二列是犯罪数量（整数）。但是读入Python开始都是字符串，在后面类型转换将字符串形式的犯罪数量强制转换成整型。并将分隔开转换后的数据存到full_data这个list中，然后使用for循环将犯罪数量最小的城市找出来（if判断，已知犯罪数最小为130），并将这个城市名存入变量city中。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
# We know that the lowest crime rate is 130.
# This is the second column of the data.
# We need to find the corresponding value in the first column -- the city with the lowest crime rate.
 
# Let's load the csv file
f = open('crime_rates.csv', 'r')
data = f.read()
rows = data.split('\n')
full_data = []
for row in rows:
    split_row = row.split(",")
    split_row[1] = int(split_row[1])
    full_data.append(split_row)
 
city = ""
 
lowest_crime_rate = 10000
for item in full_data:
    if item[1] == 130:
        city = item[0]

案例2 Discover weather pattern in LA

（for循环和if判断进行频数统计）

两列数据的文本文件，有表头。导入la_weather.txt文本文件，切分，存入变量weather_data中，去掉表头。使用字典（dictionary）进行不同类型的频数统计。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
weather_data=[]
f=open("la_weather.csv",'r')
data=f.read()
rows=data.split('\n')
forrowinrows:
    split_row=row.split(",")
    weather_data.append(split_row)
print(weather_data)
#去掉表头
weather=weather_data[1:367]
weather_counts={}
 
foriteminweather:
    ifiteminweather_counts:
        weather_counts[item]=weather_counts[item]+1
    else:
        weather_counts[item]=1
print(weather_counts)

案例3 Building a Spell Checker

（词频统计，字符串预处理，字典跑字符串，统计正确错误单词）

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
# 将字符正规化，对字符进行处理，去掉特殊符号
def normalize(token):
    token = token.replace(".","")
    token = token.replace(",","")
    token = token.replace("'", "")
    token = token.replace(";", "")
    token = token.replace("\n", "")
    token = token.lower()
    return token
# 建立一个list用于存放正规的字典 
normalized_dictionary_tokens = []
# 只读方式打开一个文件
f = open("dictionary.txt", "r")
raw_data = f.read()
# 按照空格将字符串进行切分，成单个单词
data = raw_data.split(" ")
# 遍历切分后的单词，进行正规化处理（def normalize，去掉特殊符号）
for token in data:
    normalized_dictionary_tokens.append(normalize(token))
 
print(normalized_dictionary_tokens)
 
#统计正确单词和错误单词的词频。用一个正确单词的字典来遍历这个字符串，并进行统计
potential_misspellings = []
correctly_spelled = []
 
for token in normalized_story_tokens:
    if token in normalized_dictionary_tokens:
        correctly_spelled.append(token)
    else:
        potential_misspellings.append(token)
 
print(correctly_spelled)
print(potential_misspellings)

案例4 Analyze NFL data

（使用CSVmodule导入文件，类，函数，使用字典和list进行简单统计）

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
importcsv
classTeam():
    def__init__(self,name):
        self.name=name
        f=open("nfl.csv",'r')
        csvreader=csv.reader(f)
        self.nfl=list(csvreader)
 
    defcount_total_wins(self):
        count=0
        forrowinself.nfl:
            ifrow[2]==self.name:
                count=count+1
        returncount
        
    defwins_by_years(self):
        wins={}
        years=["2009","2010","2011","2012","2013"]
        foryearinyears:
            count=0
            forrowinself.nfl:
                ifrow[2]==self.nameandrow[0]==year:
                    count+=1
            wins[year]=count
        returnwins
        
niners=Team("San Francisco 49ers")
niners_wins_by_year=niners.wins_by_years()
print("Niners_wins_by_year: ",niners_wins_by_year)

案例5 What should you name your kid if you want them to be a US Congressperson?

（数据预处理，强制类型转换int()，try-except语句，字典方式统计，转存需要数据）

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
# legislators变量是一个2维list，大list里的其中一个list（条目）是一个有7个元素组成的（姓，名，出生年月日，未知，未知，未知）。我们要做的是这一组数据进行预处理，然后进行姓名的统计。
 
genders_list = []
unique_genders = set()
unique_genders_list = []
# 将性别数据以append方式挨个读入list变量genders_list中去
for row in legislators:
    genders_list.append(row[3])
 
# genders_list变量使用set()函数进行元素去重变为字典，并存入字典变量unique_genders中，将去重后的结果再存储成list类型数据搭配到变量unique_genders_list
unique_genders = set(genders_list)
unique_genders_list = list(unique_genders)
print(genders_list)
 
# 已知性别数据的错误值为""，将其重赋值为“M”
for row in legislators:
    if row[3] == "":
    row[3] = "M"
 
# 统计出生年份存入list变量birth_years中。其中需要使用split方法对list中的某个元素进行切分，取其中第一个元素（即年），以append追加的方法存入list变量birth_years中
birth_years = []
for row in legislators:
    birth_list = []
    birth_list = row[2].split("-")
    birth_years.append(birth_list[0])
 
# 对list变量进行enumerate()函数操作（得到下标和所在的当前row）类似对字典进行.item()方法（得到key和对应的value）。
# 将年份存入list变量legislators中每行的第八列，按照append追加的方法
for i, row in enumerate(legislators):
   row.append(birth_years[i])
 
# 将legislatros变量的第八列元素（出生年份）的字符串类型，强制类型转换成int类型。如遇到强制转换错误就将出生年份值变为0
for row in legislators:
    try:
        row[7] = int(row[7])
    except Exception:
        row[7] = 0
 
# 用字典进行姓名统计（key为姓名，value为出现次数）存入male_name_counts字典变量中。并将出现次数最多的名字（同样是最大出现次数，但名字不止一个），将这些名字存入list变量top_male_names中
top_male_names = []
male_name_counts = {}
 
# 用字典进行姓名统计，条件是出生年份大于1940，并且是女性
for row in legislators:
    if row[7] > 1940 and row[3] == "M":
        if row[1] in male_name_counts:
            male_name_counts[row[1]] += 1
        else:
            male_name_counts[row[1]] = 1
 
# 找出名字出现最多的次数highest_value
highest_value = None
for key, value in male_name_counts.items():
    if highest_value is None or value > highest_value:
        highest_value = value
 
# 将名字次数出现最多的名字（同样是最大出现次数，但名字不止一个），将这些名字以追加append的方式存入list变量top_male_names中
for key, value in male_name_counts.items():
    if value == highest_value:
        top_male_names.append(key)

案例6 Which airline is delayed the most?

这个案例来来回回做了好几天，反正基本上大都是参考答案做过的……酱油了……

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
defcolumn_number_from_name(column_name):
    column_number=None
    fori,columninenumerate(column_names):
        ifcolumn==column_name:
            column_number=i
    returncolumn_number
 
deffind_average_delay(carrier_name=None):
    total_delayed_flights=0
    total_delay_time=0
    delay_time_column=column_number_from_name("arr_delay")
    delay_number_column=column_number_from_name("arr_del15")
    carrier_column=column_number_from_name("carrier")
    forrowinflight_delays:
        ifcarrier_nameisNoneorrow[carrier_column]==carrier_name:
            total_delayed_flights+=float(row[delay_number_column])
            total_delay_time+=float(row[delay_time_column])
    returntotal_delay_time/total_delayed_flights
 
delays_by_carrier={}
 
carrier_column=column_number_from_name("carrier")
carriers=[row[carrier_column]forrowinflight_delays]
unique_carriers=list(set(carriers))
 
forcarrierinunique_carriers:
    delays_by_carrier[carrier]=find_average_delay(carrier)
print(delays_by_carrier)

附录1 逐行读取txt文件

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
# 方法一
f=open("foo.txt")            # 返回一个文件对象  
line=f.readline()            # 调用文件的 readline()方法  
whileline:  
    printline,                # 后面跟 ',' 将忽略换行符  
    # print(line, end = '')　　 # 在 Python 3中使用  
    line=f.readline()  
 
f.close()
 
# 方法二
forlineinopen("foo.txt"): 
   printline
 
# 方法三
f=open("c:\\1.txt","r") 
lines=f.readlines()          #读取全部内容 
forlineinlines 
   printline

0 0