关于python:Python数据处理一处理-JSONXMLCSV-三种格式数据

Python 数据处理系列博客来啦！
本系列将以《Python 数据处理》这本书为根底，以书中每章一篇博客的模式带大家一起学习 Python 数据处理。书中有些中央讲的不太具体，我会查阅其余材料来补充，力争每篇博客都把知识点涵盖全且通俗易懂。
这本书次要讲了如何用 Python 解决各种类型的文件，如 JSON、XML、CSV、Excel、PDF 等。前面几章还会讲数据荡涤、网页抓取、自动化和规模化等应用技能。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拟敌对。

前言
以易于机器了解的形式来存储数据的文件格式，通常被称作机器可读的 (machine readable)。常见的机器可读格局包含:

逗号分隔值 (Comma-Separated Values，CSV)
JavaScript 对象符号(JavaScript Object Notation，JSON)
可扩大标记语言(eXtensible Markup Language，XML)

在书面语和书面语中，提到这些数据格式时通常应用它们的短名字 (如 CSV)。咱们将应用这些缩写。
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 惟一的不同之处在于，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。从实质上来看，.tsv 文件与 .csv 文件在 Python 中的作用是雷同的。
咱们采纳的数据源是从世界卫生组织（www.who.int/zh/home）中下载…
关上世卫组织官网后，点击“衰弱主题”，“数据和统计”就能找到很多数据。

这里下载了对于婴幼儿护理的统计数据，并重命名为 data.csv。
csv 文件能够间接用 Excel 关上直观的看到，咱们用 Excel 关上如下图：

接下来就要用 Python 来简略的解决这些数据。
以列表的模式读取 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’) 以只读的模式关上数据文件并存储到变量 csvfile 中。而后调用 csv 的 reader() 办法将输入保留在 reader 变量中，再用 for 循环将数据输入。
运行程序，控制台输入：

能够看到跟 Excel 关上的内容统一。
以字典的模式读取 csv 数据
改一下代码，以字典的模式读取 csv

import csv

csvfile = open('./data.csv', 'r')
reader = csv.DictReader(csvfile)

for row in reader:
    print(row)

控制台输入：

二、JSON 数据
同样在世卫组织官网下载数据源，重命名为 data.json。用格式化工具关上 json 文件如下：

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))
# 间接打印 data
print(data)
# 遍历字典
for k, v in data.items():
    print(k + ':' + str(v))

控制台输入：

Python3 中能够应用 json 模块来对 JSON 数据进行编解码，它蕴含了两个函数：

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 类型会互相转换，具体的转化对照如下：
Python 编码为 JSON 类型转换对应表：

JSON 解码为 Python 类型转换对应表：

三、XML 数据
XML 格局的数据既便于机器读取，也便于人工读取。然而对于本章的数据集来说，预览并了解 CSV 文件和 JSON 文件要比 XML 文件容易得多。
xml 格局阐明：

Tag：应用 < 和 > 突围的局部；
Element：被 Tag 突围的局部，如 2003，能够认为是一个节点，它能够有子节点；
Attribute：在 Tag 中可能存在的 name/value 对，如示例中的 title=”Enemy Behind”，个别示意属性。

世卫组织的数据不好了解，咱们用个简略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。但原理把握了，几层数据都能搞定。
上面编写代码对下面的 xml 进行解析，解析之后再别离格式化成字典和 json 格局的数据输入：

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)

正文写的比拟具体，上面介绍下 ElementTree 提供的办法。
3.1 解析的三种办法
ElementTree 解析 xml 有三种办法：

调用 parse()办法，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) 办法

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，取得标签中的内容。
attrib: 获取标签中的属性和属性值。
tail: 这个属性能够用来保留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 对象的办法

clear()：革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()：以键值对的模式返回元素属性。

keys()：以列表的形式返回元素名。

set(attribute_name,attribute_value)：在某标签中设置属性和属性值。

append(subelement)：将元素子元素增加到元素的子元素外部列表的开端。

extend(subelements)：追加子元素。

find(match, namespaces=None)：找到第一个匹配的子元素，match 能够是标签名或者 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 后应用 list(elem) 或 iteration.

getiterator(tag=None)：Python3.2 后应用 Element.iter()

iter(tag=None)：以以后元素为根创立树迭代器。迭代器遍历这个元素和它上面的所有元素(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。如果在迭代过程中批改树结构，则后果是未定义的。

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，这个类示意一个残缺的元素层次结构，并为规范 XML 的序列化增加了一些额定的反对。

setroot(element)：替换根元素，原来的根元素中的内容会隐没。

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 后应用 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 三种格局数据的解决就讲完啦，下期讲如何解决 Excel 文件，欢送关注。