1用python做數據分析,數據來源一般會有多種格式,而我喜歡以CSV的方式進行存儲分析,如果數據本身就是CSV格式的那我可以直接用pandas庫自帶的方法進行讀取即可,但是有時候各種來源的數據不方便用pandas進行直接分析處理,所以就有了一個通用的讀寫CSV文件的方法。
#1導入相關包 import os import re import csv #1讀取csv文件 def read_csv(filename, header=False): res = [] with open(filename) as f: f_csv = csv.reader(f) if header:#默認讀取頭部文件 headers = next(f_csv) header = False for row in f_csv: res.append(row) return res #2寫入csv文件 def write_csv(data, filename): with open(filename, "wb") as f: f_csv = csv.writer(f) #一行一行寫入 for item in data: f_csv.writerow(item)
2.有時候文件是txt或者從hive等數據庫導出來的格式則可以用下面的方法讀取數據並進行分析
#3讀取文本格式 def read_text(filename, columns, delimeter): #columns:多少列 #delimeter:分隔符 res = [] with open(filename, "rb") as f: while True: line = f.readline() if line: line = re.sub("[\r\n]", "", line)#清楚換行符 lines = line.split(delimeter) if len(lines) != columns: continue res.append(lines) else: break return res
3.也可以用numpy直接進行讀取文件格式:loadtxt(fname, dtype=float,delimiter=None,skiprows=0, usecols=None, unpack=False)fname:文件名,dtype:數據類型,也可使是str,delimiter:分隔符,skiprows:跳過開頭幾行,usecols:讀取某一列或者幾列的值比如(0,3)表示讀取第一和四列的值。
例子:npload.txt
40920 8.326976 0.953952 3 qwe
14488 7.153469 1.673904 2 aad
26052 1.441871 0.805124 1 zc
75136 13.147394 0.428964 1 wed
import numpy as np filename = "E:/PythonProject/CommonFunction/input/npload.txt" res = np.loadtxt(filename,dtype=str,delimiter="\t",skiprows=1,usecols=(0,3,4),unpack=False) print type(res) print res x,y,z = np.loadtxt(filename,dtype=str,delimiter="\t",skiprows=1,usecols=(0,3,4),unpack=True) print x#第一列 print y#第四列 print z#第五列
結果:
<type 'numpy.ndarray'> [['14488' '2' 'aad'] ['26052' '1' 'zc'] ['75136' '1' 'wed']] ['14488' '26052' '75136'] ['2' '1' '1'] ['aad' 'zc' 'wed']
4.pandas也是一個強大的數據分析工具,直接讀取csv,excel文件,或者吧pandas的DataFrame直接存儲為csv或者excel格式:例如把上面的數據可以通過write_csv()方法存儲為csv格式,然后可以直接用pandas讀取。
pd.read_csv(filename, header=None, index_col=0, usecols=(1,2,3), skiprows=0)參數和np.loadtxt()參數解釋基本是一樣的。read_excel(io,sheet_name=0,header=0,index_col=None,usecols=None,dtype=None,skiprows=None)常用的參數解釋都是一樣的。相應的存儲方法則是to_csv()和to_excel()
import pandas as pd filename="E:/PythonProject/CommonFunction/input/npload.csv" df = pd.read_csv(filename, header=None, index_col=0, usecols=(1,2,3), skiprows=0) print df.head()
結果:
2 3 1 8.326976 0.953952 3 7.153469 1.673904 2 1.441871 0.805124 1 13.147394 0.428964 1
5.用的着的小技巧:pandas的pivot方法和numpy的permutation
df = pd.DataFrame({'foo': ['one', 'one', 'one', 'two', 'two', ... 'two'], ... 'bar': ['A', 'B', 'C', 'A', 'B', 'C'], ... 'baz': [1, 2, 3, 4, 5, 6], ... 'zoo': ['x', 'y', 'z', 'q', 'w', 't']}) print df df.pivot(index='foo', columns='bar', values='baz')#以foo為索引列,以bar列為行,zoo列為值,注(foo, bar)不能重復
結果
bar baz foo zoo 0 A 1 one x 1 B 2 one y 2 C 3 one z 3 A 4 two q 4 B 5 two w 5 C 6 two t
bar A B C
foo
one 1 2 3
two 4 5 6
np.random.seed(0) print np.random.permutation(10)#將0-9隨機打亂,可用於隨機取數據集 x = range(10) np.random.shuffle(x)#洗牌,參數需要是一個可迭代的對象 print x
[2 8 4 9 1 6 7 3 0 5] [3, 5, 1, 2, 9, 8, 0, 6, 7, 4]
注:當然也可以用sklearn的train_test_split方法分割數據集
from sklearn.model_selection import train_test_split
train_set,test_set = train_test_split(SampleData, test_size=0.2, random_state=42)
如果數據集含有標簽,可以和標簽一塊分割 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state=42)
本站轉載的文章為個人學習借鑒使用,本站對版權不負任何法律責任。如果侵犯了您的隱私權益,請聯系本站郵箱yoyou2525@163.com刪除。