pandas读取文件
读取csv文件
import pandas as pd
#读取csv文件
fpath="test.csv"
df=pd.read_csv(fpath,encoding='gbk')
#查看前几行
df.head()
|
编号 |
操作方式 |
催化剂总质量（mg） |
HAP:Co/SiO2 |
Co/SiO2（wt%） |
乙醇浓度（ml/min） |
温度 |
乙醇转化率（%） |
乙烯选择性（%） |
C4烯烃选择性（%） |
乙醛选择性（%） |
碳数为4-12脂肪醇选择性（%） |
甲基苯甲醛和甲基苯甲醇选择性（%） |
其他生成物的选择性（%） |
C4烯烃收率（乙醇转化率*C4烯烃选择性） |
| 0 |
1 |
1 |
400 |
1.0 |
1.0 |
1.68 |
250 |
2.07 |
1.17 |
34.05 |
2.41 |
52.59 |
0.00 |
9.78 |
0.703871 |
| 1 |
1 |
1 |
400 |
1.0 |
1.0 |
1.68 |
275 |
5.85 |
1.63 |
37.43 |
1.42 |
53.21 |
0.00 |
6.31 |
2.190299 |
| 2 |
1 |
1 |
400 |
1.0 |
1.0 |
1.68 |
300 |
14.97 |
3.02 |
46.94 |
4.71 |
35.16 |
1.00 |
9.17 |
7.026398 |
| 3 |
1 |
1 |
400 |
1.0 |
1.0 |
1.68 |
325 |
19.68 |
7.97 |
49.70 |
14.69 |
15.16 |
2.13 |
10.35 |
9.781635 |
| 4 |
1 |
1 |
400 |
1.0 |
1.0 |
1.68 |
350 |
36.80 |
12.46 |
47.21 |
18.66 |
9.22 |
1.69 |
10.76 |
17.373760 |
#查看形状
df.shape
(114, 15)
#查看属性
df.columns
Index(['编号', '操作方式', '催化剂总质量（mg）', 'HAP:Co/SiO2', 'Co/SiO2（wt%）',
'乙醇浓度（ml/min）', '温度', '乙醇转化率（%）', '乙烯选择性（%）', 'C4烯烃选择性（%）', '乙醛选择性（%）',
'碳数为4-12脂肪醇选择性（%）', '甲基苯甲醛和甲基苯甲醇选择性（%）', '其他生成物的选择性（%）',
'C4烯烃收率（乙醇转化率*C4烯烃选择性）'],
dtype='object')
#查看索引
df.index
RangeIndex(start=0, stop=114, step=1)
读取txt文件
#当header=None即没有标题时可以手动指定names=
fpath='book.txt'
df=pd.read_csv(fpath,
sep="\t",
#header=True,
#names=['x','y','z']
)
df
|
序号 书名 分类 |
| 0 |
1 HTML5+CSS3+JavaScript从入门到精通（标准版） ... |
| 1 |
2 JavaWeb项目开发实战入门（全彩版） ... |
| 2 |
3 案例学WEB前端开发 ... |
| 3 |
4 一看就停不下来的中国史 ... |
| 4 |
5 显微镜下的大明 ... |
| 5 |
... |
读取excel文件
fpath='test.xlsx'
df=pd.read_excel(fpath)
df.head()
|
编号 |
操作方式 |
催化剂总质量（mg） |
HAP:Co/SiO2 |
Co/SiO2（wt%） |
乙醇浓度（ml/min） |
温度 |
乙醇转化率（%） |
乙烯选择性（%） |
C4烯烃选择性（%） |
乙醛选择性（%） |
碳数为4-12脂肪醇选择性（%） |
甲基苯甲醛和甲基苯甲醇选择性（%） |
其他生成物的选择性（%） |
C4烯烃收率（乙醇转化率*C4烯烃选择性） |
| 0 |
1 |
1 |
400 |
1.0 |
1.0 |
1.68 |
250 |
2.067169 |
1.17 |
34.05 |
2.41 |
52.59 |
0.00 |
9.78 |
0.703871 |
| 1 |
1 |
1 |
400 |
1.0 |
1.0 |
1.68 |
275 |
5.851721 |
1.63 |
37.43 |
1.42 |
53.21 |
0.00 |
6.31 |
2.190299 |
| 2 |
1 |
1 |
400 |
1.0 |
1.0 |
1.68 |
300 |
14.968891 |
3.02 |
46.94 |
4.71 |
35.16 |
1.00 |
9.17 |
7.026398 |
| 3 |
1 |
1 |
400 |
1.0 |
1.0 |
1.68 |
325 |
19.681359 |
7.97 |
49.70 |
14.69 |
15.16 |
2.13 |
10.35 |
9.781635 |
| 4 |
1 |
1 |
400 |
1.0 |
1.0 |
1.68 |
350 |
36.801017 |
12.46 |
47.21 |
18.66 |
9.22 |
1.69 |
10.76 |
17.373760 |
读取mysql表
#此处只给出范例，请连接自己的数据库再使用
import pymssql
#连接信息
con=pymssql.connect(host='127.0.0.1',
user='root',
password='1234567',
database='test',
charset='utf-8'
)
#sql语句+连接信息
df=pd.read_sql("select * from teaches",con=con)
df.head()
panda数据结构
DataFrame:二维数据，整个表格，部分矩表二维表格也是DataFrame
Series:一维数据，行或者列，部分行列也是Series
列表创建series
s1=pd.Series([1,'a',5.2,7],
index=['b','c','d','e'])
s1
b 1
c a
d 5.2
e 7
dtype: object
s1.index
Index(['b', 'c', 'd', 'e'], dtype='object')
字典创建series
#使用字典方式创建，可以使用字典方式访问
dict={'a':1,
'b':2,
'c':3,
'd':4}
s=pd.Series(dict)
s
a 1
b 2
c 3
d 4
dtype: int64
print(s['a'])
print(type(s['a']))
print(s[['a','b']])
print(type(s[['a','b']]))
1
<class 'numpy.int64'>
a 1
b 2
dtype: int64
<class 'pandas.core.series.Series'>
多个字典创建DataFrame
dict={'a':[1,9,1],
'b':[2,1,7],
'c':[1,2,5],
'd':[6,3,0]}
df=pd.DataFrame(dict)
df
|
a |
b |
c |
d |
| 0 |
1 |
2 |
1 |
6 |
| 1 |
9 |
1 |
2 |
3 |
| 2 |
1 |
7 |
5 |
0 |
df.columns
Index(['a', 'b', 'c', 'd'], dtype='object')
df.index
RangeIndex(start=0, stop=3, step=1)
df.dtypes
a int64
b int64
c int64
d int64
dtype: object
DataFrame中查询Series
#查询单列是Series
df['a']
0 1
1 9
2 1
Name: a, dtype: int64
#查询多列（行）也是DataFrame
df[['a','d']]
#查询一行
df.loc[1]
a 9
b 1
c 2
d 3
Name: 1, dtype: int64
#查询多行
df.loc[1:3]
|
a |
b |
c |
d |
| 1 |
9 |
1 |
2 |
3 |
| 2 |
1 |
7 |
5 |
0 |
源代码和相应数据下载请点击 https://github.com/MiaoChenglin125/Data-Acquisition/tree/master/pandas%E6%93%8D%E4%BD%9C