Python 数据处理系列博客来啦！
本系列将以《Python数据处理》这本书为基础，以书中每章一篇博客的形式带大家一起学习 Python 数据处理。书中有些地方讲的不太详细，我会查阅其他资料来补充，力争每篇博客都把知识点涵盖全且通俗易懂。
这本书主要讲了如何用 Python 处理各种类型的文件，如 JSON、XML、CSV、Excel、PDF 等。后面几章还会讲数据清洗、网页抓取、自动化和规模化等使用技能。我也是 Python 初学者，将以初学者的角度写文章，所以博客对初学者比较友好。
100多位经验丰富的开发者参与，在 Github 上获得了近1000个star的全栈全平台开源项目想了解或参与吗？
项目地址：https://github.com/cachecats/coderiver
前言
以易于机器理解的方式来存储数据的文件格式，通常被称作机器可读的 (machine readable)。常见的机器可读格式包括:
- 逗号分隔值(Comma-Separated Values，CSV)
- JavaScript 对象符号(JavaScript Object Notation，JSON)
- 可扩展标记语言(eXtensible Markup Language，XML)
在口语和书面语中，提到这些数据格式时通常使用它们的短名字(如 CSV)。 我们将使用这些缩写 。
一、CSV数据
CSV 文件(简称为 CSV)是指将数据列用逗号分隔的文件。文件的扩展名是 .csv。
另一种数据类型，叫作制表符分隔值(tab-separated values，TSV)数据，有时也与 CSV归为一类。TSV 与 CSV 唯一的不同之处在于，数据列之间的分隔符是制表符(tab)，而不是逗号。文件的扩展名通常是 .tsv，但有时也用 .csv 作为扩展名。从本质上来看，.tsv 文件与 .csv 文件在Python 中的作用是相同的。
我们采用的数据源是从世界卫生组织（https://www.who.int/zh/home）中下载的数据。
打开世卫组织官网后，点击“健康主题”，“数据和统计” 就能找到很多数据。
image
这里下载了关于婴幼儿护理的统计数据，并重命名为 data.csv。
csv 文件可以直接用 Excel 打开直观的看到，我们用 Excel 打开如下图：
image
接下来就要用 Python 来简单的处理这些数据。
以列表的形式读取csv数据
编写一个读取 csv 文件的程序：
import csv
csvfile = open('./data.csv', 'r')
reader = csv.reader(csvfile)
for row in reader:
print(row)
import csv 将导入 Python 自带的 csv 模块。csvfile = open('./data.csv', 'r') 以只读的形式打开数据文件并存储到变量 csvfile 中。然后调用 csv 的 reader() 方法将输出保存在 reader 变量中，再用 for 循环将数据输出。
运行程序，控制台输出：
image
可以看到跟 Excel 打开的内容一致。
以字典的形式读取csv数据
改一下代码，以字典的形式读取 csv
import csv
csvfile = open('./data.csv', 'r')
reader = csv.DictReader(csvfile)
for row in reader:
print(row)
控制台输出：
image
二、JSON数据
同样在世卫组织官网下载数据源，重命名为 data.json。用格式化工具打开 json 文件如下：
image
编写程序对 json 进行解析
import json
# 将 json 文件读取成字符串
json_data = open('./data.json').read()
# 对json数据解码
data = json.loads(json_data)
# data 的类型是 字典dict
print(type(data))
# 直接打印 data
print(data)
# 遍历字典
for k, v in data.items():
print(k + ':' + str(v))
控制台输出：
image
Python3 中可以使用 json 模块来对 JSON 数据进行编解码，它包含了两个函数：
- json.dumps(): 对数据进行编码。
- json.loads(): 对数据进行解码。
在json的编解码过程中，python 的原始类型与json类型会相互转换，具体的转化对照如下：
Python 编码为 JSON 类型转换对应表：
| Python | JSON |
|---|---|
| dict | object |
| list, tuple | array |
| str | string |
| int, float, int- & float-derived Enums | number |
| True | true |
| False | false |
| None | null |
JSON 解码为 Python 类型转换对应表：
| JSON | Python |
|---|---|
| object | dict |
| array | list |
| string | str |
| number (int) | int |
| number (real) | float |
| true | True |
| false | False |
| null | None |
三、XML 数据
XML 格式的数据既便于机器读取，也便于人工读取。但是对于本章的数据集来说，预览并理解 CSV 文件和 JSON 文件要比 XML 文件容易得多。
xml 格式说明：
- Tag： 使用<和>包围的部分；
- Element：被Tag包围的部分，如 2003，可以认为是一个节点，它可以有子节点；
- Attribute：在Tag中可能存在的 name/value 对，如示例中的 title="Enemy Behind"，一般表示属性。
世卫组织的数据不好理解，咱们用个简单的能看得懂的电影数据来做演示：
<?xml version="1.0" encoding="UTF-8"?>
<collection shelf="New Arrivals">
<movie title="Enemy Behind">
<type>War, Thriller</type>
<format>DVD</format>
<year>2003</year>
<rating>PG</rating>
<stars>10</stars>
<description>Talk about a US-Japan war</description>
</movie>
<movie title="Transformers">
<type>Anime, Science Fiction</type>
<format>DVD</format>
<year>1989</year>
<rating>R</rating>
<stars>8</stars>
<description>A schientific fiction</description>
</movie>
<movie title="Trigun">
<type>Anime, Action</type>
<format>DVD</format>
<episodes>4</episodes>
<rating>PG</rating>
<stars>10</stars>
<description>Vash the Stampede!</description>
</movie>
<movie title="Ishtar">
<type>Comedy</type>
<format>VHS</format>
<rating>PG</rating>
<stars>2</stars>
<description>Viewable boredom</description>
</movie>
</collection>
这个数据相对来说比较简单，只有三层。但原理掌握了，几层数据都能搞定。
下面编写代码对上面的 xml 进行解析，解析之后再分别格式化成字典和 json 格式的数据输出：
from xml.etree import ElementTree as ET
import json
tree = ET.parse('./resource/movie.xml')
root = tree.getroot()
all_data = []
for movie in root:
# 存储电影数据的字典
movie_data = {}
# 存储属性的字典
attr_data = {}
# 取出 type 标签的值
movie_type = movie.find('type')
attr_data['type'] = movie_type.text
# 取出 format 标签的值
movie_format = movie.find('format')
attr_data['format'] = movie_format.text
# 取出 year 标签的值
movie_year = movie.find('year')
if movie_year:
attr_data['year'] = movie_year.text
# 取出 rating 标签的值
movie_rating = movie.find('rating')
attr_data['rating'] = movie_rating.text
# 取出 stars 标签的值
movie_stars = movie.find('stars')
attr_data['stars'] = movie_stars.text
# 取出 description 标签的值
movie_description = movie.find('description')
attr_data['description'] = movie_description.text
# 获取电影名字，以电影名为字典的键，属性信息为字典的值
movie_title = movie.attrib.get('title')
movie_data[movie_title] = attr_data
# 存入列表中
all_data.append(movie_data)
print(all_data)
# all_data 此时是一个列表对象，用 json.dumps() 将python对象转换为 json 字符串
json_str = json.dumps(all_data)
print(json_str)
注释写的比较详细，下面介绍下 ElementTree 提供的方法。
3.1 解析的三种方法
ElementTree 解析 xml 有三种方法：
-
调用parse()方法，返回解析树
tree = ET.parse('./resource/movie.xml') root = tree.getroot() -
调用from_string(),返回解析树的根元素
data = open('./resource/movie.xml').read() root = ET.fromstring(data) -
调用 ElementTree 类的
ElementTree(self, element=None, file=None)方法tree = ET.ElementTree(file="./resource/movie.xml") root = tree.getroot()
3.2 Element 对象
class xml.etree.ElementTree.Element(tag, attrib={}, **extra)
Element 对象的属性
- tag: 标签
- text: 去除标签，获得标签中的内容。
- attrib: 获取标签中的属性和属性值。
- tail: 这个属性可以用来保存与元素相关联的附加数据。它的值通常是字符串，但可能是特定于应用程序的对象。
Element 对象的方法
-
clear()：清除所有子元素和所有属性，并将文本和尾部属性设置为None。 -
get(attribute_name, default=None)：通过指定属性名获取属性值。 -
items()：以键值对的形式返回元素属性。 -
keys()：以列表的方式返回元素名。 -
set(attribute_name,attribute_value)：在某标签中设置属性和属性值。 -
append(subelement)：将元素子元素添加到元素的子元素内部列表的末尾。 -
extend(subelements)：追加子元素。 -
find(match, namespaces=None)：找到第一个匹配的子元素，match可以是标签名或者path。返回Elememt实例或None。 -
findall(match, namespaces=None)：找到所有匹配的子元素，返回的是一个元素列表。 -
findtext(match, default=None, namespaces=None)：找到匹配第一个子元素的文本。返回的是匹配元素中的文本内容。 -
getchildren()：Python3.2后使用list(elem)或 iteration. -
getiterator(tag=None)：Python3.2后使用Element.iter() -
iter(tag=None)：以当前元素为根创建树迭代器。迭代器遍历这个元素和它下面的所有元素(深度优先级)。如果标签不是None或’*’，那么只有标签等于标签的元素才会从迭代器返回。如果在迭代过程中修改树结构，则结果是未定义的。 -
iterfind(match, namespaces=None)： 匹配满足条件的子元素，返回元素。
3.3 ElementTree 对象
class xml.etree.ElementTree.ElementTree(element=None, file=None)
ElementTree是一个包装器类，这个类表示一个完整的元素层次结构，并为标准XML的序列化添加了一些额外的支持。
-
setroot(element)：替换根元素，原来的根元素中的内容会消失。 -
find(match, namespaces=None)：从根元素开始匹配和 Element.find()作用一样。 -
findall(match, namespaces=None)：从根元素开始匹配和 Element.findall()作用一样。 -
findtext(match, default=None, namespaces=None)：从根元素开始匹配和 Element.findtext()作用一样。 -
getiterator(tag=None)：Python3.2后使用 ElementTree.iter() 代替。 -
iter(tag=None)：迭代所有元素 -
iterfind(match, namespaces=None)：从根元素开始匹配和 Element.iterfind()作用一样。 -
parse(source, parser=None)：解析xml文本，返回根元素。 -
write(file, encoding=”us-ascii”, xml_declaration=None, default_namespace=None, method=”xml”, *, short_empty_elements=True)：写出XML文本。
对 JSON、XML、CSV三种格式数据的处理就讲完啦，下期讲如何处理 Excel 文件，欢迎关注。
全栈全平台开源项目 CodeRiver
CodeRiver 是一个免费的项目协作平台，愿景是打通 IT 产业上下游，无论你是产品经理、设计师、程序员或是测试，还是其他行业人员，只要有好的创意、想法，都可以来 CodeRiver 免费发布项目，召集志同道合的队友一起将梦想变为现实！
CodeRiver 本身还是一个大型开源项目，致力于打造全栈全平台企业级精品开源项目。涵盖了 React、Vue、Angular、小程序、ReactNative、Android、Flutter、Java、Node 等几乎所有主流技术栈，主打代码质量。
目前已经有近 100 名优秀开发者参与，github 上的 star 数量将近 1000 个。每个技术栈都有多位经验丰富的大佬坐镇，更有两位架构师指导项目架构。无论你想学什么语言处于什么技术水平，相信都能在这里学有所获。
通过 高质量源码 + 博客 + 视频，帮助每一位开发者快速成长。
项目地址：https://github.com/cachecats/coderiver
您的鼓励是我们前行最大的动力，欢迎点赞，欢迎送小星星✨ ~
image
网友评论