利用Python读取外部数据文件

 

 

不论是数据分析，数据可视化，还是数据挖掘，一切的一切全都是以数据作为最基础的元素。利用Python进行数据分析，同样最重要的一步就是如何将数据导入到Python中，然后才可以实现后面的数据分析、数据可视化、数据挖掘等。

在本期的Python学习中，我们将针对Python如何获取外部数据做一个详细的介绍，从中我们将会学习以下4个方面的数据获取：

1、读取文本文件的数据，如txt文件和csv文件

2、读取电子表格文件，如Excel文件

3、读取统计软件生成的数据文件，如SAS数据集、SPSS数据集等

4、读取数据库数据，如MySQL数据、SQL Server数据

 

一、读取文本文件的数据

大家都知道，Python中pandas模块是专门用来数据分析的一个强大工具，在《Python数据分析之pandas学习（一）》和《Python数据分析之pandas学习（二）》中我们详细介绍了有关pandas模块的应用，下面我们就来介绍pandas是如何读取外部数据的。

 

1、读取txt数据

In [1]: import pandas as pd

In [2]: mydata_txt = pd.read_csv('C:\\test_code.txt',sep = '\t',encoding = 'utf-8')

对于中文的文本文件常容易因为编码的问题而读取失败，正如上图所示。遇到这样的编码问题该如何处置呢？解决办法有两种情况：

1）当原始文件txt或csv的数据不是uft8格式时，需要另存为utf8格式编码；

2）如果原始的数据文件就是uft8格式，为了正常读入，需要将read_csv函数的参数encoding设置为utf-8

 

将原始数据另存为utf8格式的数据，重新读入txt数据

In [3]: mydata_txt = pd.read_csv('C:\\test.txt',sep = '\t',encoding = 'utf-8')

In [4]: mydata_txt

很顺利，txt文本文件数据就这样进入了Python的口袋里了。

 

2、读取csv数据

csv文本文件是非常常用的一种数据存储格式，而且其存储量要比Excel电子表格大很多，下面我们就来看看如何利用Python读取csv格式的数据文件：

In [5]: mydata_csv = pd.read_csv('C:\\test.csv',sep = ',',encoding = 'utf-8')

In [6]: mydata_csv

如果你善于总结的话，你会发现，txt文件和csv文件均可以通过pandas模块中的read_csv函数进行读取。该函数有20多个参数，类似于R中的read.table函数，如果需要查看具体的参数详情，可以查看帮助文档：help(pandas.read_csv)。

 

二、读取电子表格文件

这里所说的电子表格就是Excel表格，可以是xls的电子表格，也可以是xlsx的电子表格。在日常工作中，很多数据都是存放在Excel电子表格中的，如果我们需要使用Python对其进行分析或处理的话，第一步就是如何读取Excel数据。下面我们来看看如果读取Excel数据集：

In [7]: mydata_excel = pd.read_excel('C:\\test.xlsx',sep = '\t',encoding = 'utf-8')

In [8]: mydata_excel

 

三、读取统计软件生成的数据文件

往往在集成数据源的时候，可能会让你遇到一种苦恼，那就是你的电脑里存放了很多统计软件自带的或生成的数据集，诸如R语言数据集、SAS数据集、SPSS数据集等。那么问题来了，如果你电脑里都装了这些软件的话，这些数据集你自然可以看见，并可以方便的转换为文本文件或电子表格文件，如果你的电脑里没有安装SAS或SPSS这样大型的统计分析软件的话，那么你该如何查看这些数据集呢？请放心，Python很万能，它可以读取很多种统计软件的数据集，下面我们介绍几种Python读取统计数据集的方法：

1、读取SAS数据集

SAS数据集的读取可以使用pandas模块中的read_sas函数，我们不妨试试该函数读取SAS数据集。下图是使用SAS打开的数据集，如果你的电脑中没有安装SAS，那你也可以通过Python实现数据的读取。

 

In [1]: import pandas as pd

In [2]: mydata_sas = pd.read_sas('G:\\class.sas7bdat',encoding='utf8')

2、读取SPSS数据集

读取SPSS数据就稍微复杂一点，自己测试了好多次，查了好多资料，功夫不负有心人啊，最终还是搞定了。关于读取SPSS数据文件，需要为您的Python安装savReaderWriter模块，该模块可以到如下链接进行下载并安装：https://pypi.python.org/pypi/savReaderWriter/3.4.2。

安装savReaderWriter模块

可以通过该命令进行savReaderWriter模块的安装：python setup.py install

下图是SPSS数据在SPSS中打开的样子：

 

In [1]: import savReaderWriter

In [2]: mydata_spss = savReaderWriter.SavReader('employee_data.sav')

In [3]: mydata_spss

 

3、实在没办法该怎么办？
       如果你尝试了好多种模块都无法读取某个统计软件的数据，我建议你还是回到R中，R也是开源的统计分析工具，体积也非常小，只有40M左右，而且R自带的foreign包可以读取很多种统计软件的数据集，当读取成功后，再利用write.csv函数将数据集写出为csv格式的数据，这样Python就可以轻松读取csv数据集了，万事灵活一点就可以完成你想要的任何结果~

 

四、读取数据库数据

企业中更多的数据还是存放在诸如MySQL、SQL Server、DB2等数据库中，为了能够使Python连接到数据库中，科学家专门设计了Python DB API的接口。我们仍然通过例子来说明Python是如何实现数据库的连接与操作的。

 

1、Python连接MySQL

MySQLdb模块是一个连接Python与MySQL的中间桥梁，但目前只能在Python2.x中运行，但不意味着Python3就无法连接MySQL数据库。这里向大家介绍一个非常灵活而强大的模块，那就是pymysql模块。我比较喜欢他的原因是，该模块可以伪装成MySQLdb模块，具体看下面的例子：

In [1]: import pymysql

In [2]: pymysql.install_as_MySQLdb()    #伪装为MySQLdb模块

In [3]: import MySQLdb

 

使用Connection函数联通Python与MySQL

In [4]: conn = MySQLdb.Connection(

   ...:        host = 'localhost',

   ...:        user = 'root',

   ...:        password = 'snake',

   ...:        port = 3306,

   ...:        database = 'test',

   ...:        charset='gbk')

使用conn的游标方法(cursor)，目的是为接下来的数据库操作做铺垫。

In [5]: cursor = conn.cursor()

In [6]: sql = 'select * from memberinfo'

执行SQL语句

In [7]: cursor.execute(sql)

Out[7]: 4

In [8]: data = cursor.fetchall()

In [9]: data

我们发现data中存储的是元组格式的数据集，我们在《Python数据分析之pandas学习（一）》中讲到，构造DataFrame数据结构只能通过数组、数据框、字典、列表等方式构建，但这里是元组格式的数据，该如何处理呢？很简单，只需使用list函数就可以快速的将元组数据转换为列表格式的数据。

In [10]: data = list(data)

In [11]: data

下面我们就是要pandas模块中的DataFrame函数将上面的data列表转换为Python的数据框格式：

In [14]: import pandas as pd

In [15]: mydata = pd.DataFrame(data, columns = ['id','name','age','gender'])

In [16]: mydata

最后千万千万注意的是，当你的数据读取完之后一定要记得关闭游标和连接，因为不关闭会导致电脑资源的浪费。

In [19]: cursor.close()

In [20]: conn.close()

 

2、Python连接SQL Server

使用Python连接SQL Server数据库，我们这里推荐使用pymssql模块，该模块的语法与上面讲的pymysql是一致的，这里就不一一讲解每一步的含义了，直接上代码：

In [21]: import pymssql

In [22]: connect = pymssql.connect(

    ...:     host = '172.18.1.6\SqlR2',

    ...:     user = 'sa',

    ...:     password = '1q2w3e4r!!',

    ...:     database='Heinz_Ana',

    ...:     charset='utf8')

 

In [23]: cursor = connect.cursor()

In [24]: sql = 'select * from HeinzDB2_10'

In [25]: cursor.execute(sql)

In [26]: data = cursor.fetchall()

 

In [27]: data[0]

Out[27]: (67782, '2013-05-01', '二阶段', 1.0, 279.0)

 

In [28]: mydata = pd.DataFrame(list(data),columns = ['ConsumerID',

    ...:                          'Purdate',

    ...:                          'Phase',

    ...:                          'ChangeTinRatio',

    ...:                          'TOTALAMT'])

 

In [29]: mydata.head()

本期的内容就是向大家介绍如何使用Python实现外部数据的读取，只有完成了这个基本的第一步，才会顺利的进行下面的清洗、处理、分析甚至挖掘部分。这一期的内容出来的有点晚，主要还是工作比较繁忙，后期继续再接再励，谢谢大家一直以来的支持和互动。在下一期中，我们将介绍R语言中caret包如何实现特征选择。