第三章——供机器读取的数据（XML）

本书使用的文件、代码：https://github.com/huangtao36/data_wrangling

---

---

机器可读（machine readable）文件格式：

1、逗号分隔值（Comma-Separated Values, CSV）

2、JavaScript对象符号（JavaScript Object Notation, JSON）

3、可扩展标记语言（eXtensible Markup Language, XML）

 

第三章使用的数据文件：

---

---

XML数据

XML是一种标记语言，它具有包含格式化数据的文档结构。本质是也只是格式特殊的数据文件。

要处理的数据样本（XML基本数据格式）：

XML中有两个位置可以保存数据：

　　　　1、两个标签之间：<Display>71</Display>

　　　　2、标签的属性：<Dim Category="SEX" Code="BTSX"/>——其中Category的属性值是“SEX”，Code的属性值是"BTSX"。

　　　　XML的属性可以保存特定标签的额外信息，这些标签又嵌套在另一个标签中。

实现代码（基于Python3）

from xml.etree import ElementTree as ET

tree = ET.parse('data-text.xml')
root = tree.getroot()   #获取树的根元素

data = root.find('Data')

all_data = []

for observation in data:
    record = {}
    for item in observation:
        lookup_key_List = list(item.attrib.keys())
        lookup_key = lookup_key_List[0]
        if lookup_key == 'Numeric':
            rec_key = 'NUMERIC'
            rec_value = item.attrib['Numeric']
        else:
            rec_key = item.attrib[lookup_key]
            rec_value = item.attrib['Code']
        record[rec_key] = rec_value
    all_data.append(record)

print (all_data)

输出（部分）：

　　（输出的是单行数据，为了直观，这里进行了处理。）

 代码解释

from xml.etree import ElementTree as ET

本例中使用的是ElementTree、还可以使用lxml、minidom这两种库来解析XML文件，在此不做说明

获取Observation元素中的内容

　　由上面的样本可知，我们使用的数据是包含在一个<Data>...</Data>中的，这里使用根元素的find方法可以利用标签名来搜索子元素。　

from xml.etree import ElementTree as ET

tree = ET.parse('data-text.xml')
root = tree.getroot()   #获取树的根元素

data = root.find('Data')

for observation in data:
    for item in observation:
        print(item.attrib)

输出（部分）：

　　

　　　　　　　　输出的是<Observation>  ........</Observation>标签里面的内容

　　　　　　　　我们的数据文件只有一个Data标签，如果有多个Data标签，可以将find函数改为findall函数来遍历。

　　　　attrib：可以返回每一个节点的属性

 

　　提取重要内容

     获得键的代码：

from xml.etree import ElementTree as ET

tree = ET.parse('data-text.xml')
root = tree.getroot()   #获取树的根元素

data = root.find('Data')

all_data = []

for observation in data:
    record = {}
    for item in observation:
        lookup_key_List = list(item.attrib.keys())
        lookup_key = lookup_key_List[0]
        rec_key = item.attrib[lookup_key]
        print(rec_key)

　　　　　　输出：

　　　　　　　　

　　　　　　上面代码得到了数据的键，但还没有取得相应的值。　

lookup_key_List = list(item.attrib.keys())
lookup_key = lookup_key_List[0]

 　　　　　　这两句得到了每个属性键的名字，既是Category、code、Numeric这些，还没有得到键的值，加入rec_key = item.attrib[lookup_key]就获得了键的值。

　　　　　　上面两句是Python3的写法，Python2中可以直接合并成一句：lookup_key = item.attrib.keys()[0]

 

　　　　　　获得值的代码：　　

from xml.etree import ElementTree as ET

tree = ET.parse('data-text.xml')
root = tree.getroot()   #获取树的根元素

data = root.find('Data')

all_data = []

for observation in data:
    record = {}
    for item in observation:
        lookup_key_List = list(item.attrib.keys())
        lookup_key = lookup_key_List[0]
        if lookup_key == 'Numeric':
            rec_key = 'NUMERIC'
            rec_value = item.attrib['Numeric']
        else:
            rec_key = item.attrib[lookup_key]
            rec_value = item.attrib['Code']
        
        print(rec_key,rec_value)

　　　　输出：