查看原文
其他

如何用 Pandas 存取和交换数据?

王树义老师 玉树芝兰 2022-10-23

王树义

读完需要

22分钟

速读仅需8分钟

本文为你介绍 Pandas 存取数据的3种主要格式,以及使用中的注意事项。

问题

在数据分析的过程里,你已经体会到 Python 生态系统的强大了吧?

数据采集、整理、可视化、统计分析……一直到深度学习,都有相应的 Python 包支持。

但是你会发现,没有任何一个 Python 软件包,是全能的。

这是一种非常好的设计思维——用优秀的工具,做专业的事儿;用许多优秀工具组成的系统,来有条不紊地处理复杂问题

所以,在这个过程中,你大概率会经常遇到数据的交换问题。

有时候,是把分析结果存起来,下次读取回来继续使用。

更重要的时候,是把一个工具的分析结果导出,导入到另一个工具包中。

这些数据存取的功能,几乎分布在每一个 Python 数据科学软件包之内。

但是,其中有一个最重要的枢纽,那就是 Pandas 。

我不止一次跟你提起过,学好 Pandas 的重要性

很多情况下,看似复杂的数据整理与可视化,Pandas 只需要一行语句就能搞定。

回顾我们的教程里,也曾使用过各种不同的格式读取数据到 Pandas 进行处理。

然而,当你需要自己独立面对软件包的格式要求时,也许仅仅是因为不了解如何正确生成或读取某种格式,结果导致出错,甚至会使你丧失探索的信心与兴趣。

这篇教程里,我以咱们介绍过多次的情感分类数据作为例子,用最小化的数据集,详细为你介绍若干种常见的存取数据格式。

有了这些知识与技能储备,你就可以应对大多数同类数据分析问题的场景了。

环境

为了方便你完整重现我教程中的代码,我使用 Google Colab 撰写和运行,并且存储副本到了 Github 里面。

请在我的公众号“玉树芝兰”(nkwangshuyi)后台输入“export”,就可以获得本教程相应的 Github 链接,以及代码运行环境的使用说明了。

数据

为了尽量简化问题,我们这里手动输入两条文本,构建一个超小型的评论情感数据集。

str1 = "这是个好电影,\n我喜欢!"
str2 = "这部剧的\t第八季\t糟透了!"

(猜猜看,其中 str2 里面的“这部剧”是哪一部?)

你看到了,这里我加了一些特殊符号进去。

其中:

  • \n :换行符。有时候原始评论是分段的,所以出现它很正常;

  • \t :制表符。对应键盘上的 Tab 键,一般在代码里用于缩进。用在评论句子中其实很奇怪。这里只是举个例子,下文你会看到它的特殊性。

我们打印一下两个字符串,看是否正确输入:

print(str1)
这是个好电影,
我喜欢!

换行符正确显示了。下面我们看看制表符。

print(str2)
这部剧的 第八季 糟透了!

好了,下面我们分别赋予两句话情感标记,然后用 Pandas 构建数据框。

import pandas as pd

我们建立了一个字典(dict),分别将文本和标记列表放到 textlabel 下面。然后,用 Pandas 的默认构建方式,自动将其转化为数据框(Dataframe)。

df = pd.DataFrame({'text': [str1, str2], 'label': [1, 0]})
df

显示效果如下:

好了,数据已经正确存储到 Pandas 里面了。下面我们分别看看几种输出格式如何导出,以及它们的特点和常见问题。

CSV/TSV

我们来看最常见的两种格式,分别是:

  • csv :逗号分隔数据文本文件;

  • tsv :制表符分隔数据文本文件;

先尝试把 Pandas 数据框导出为 csv 文件。

df.to_csv('data.csv', index=None)

注意这里我们使用了一个 index=None 参数。

回顾刚才的输出:

上图中标红色的地方,就是索引(index)。如果我们不加入 index=None 参数说明,那么这些数值型索引也会一起写到 csv 文件里面去。对我们来说,这没有必要,会白白占用存储空间。

将生成的 csv 文件拖入文本编辑器内,效果如下:

你可以清楚地看到,逗号分割了表头和数据。

有意思的是,因为第一句评论里包含了换行符,所以就真的记录到两行上面。而文本的两端,有引号包裹

第二句话,制表符(缩进)也是正确显示了。但是这句话两端,却没有引号

这么乱七八糟的结果,Pandas 还能够正确读回来吗?

我们试试看。

pd.read_csv('data.csv')

一切正常。

看来,在读取 csv 的过程里,Pandas 还是很有适应能力的。

下面我们来看看颇为类似的 tsv 格式。

Pandas 并不提供一个单独的 to_tsv 选项。我们依然需要利用 to_csv 方法。

只不过,这次我们添加一个参数  sep='\t'

df.to_csv('data.tsv', index=None, sep='\t')

生成的文件名为 data.tsv 。我们还是在编辑器里面打开它看看。

对比一下刚刚的 csv 格式,你发现了什么?

大体上二者差不多。

只是逗号都变成了制表符缩进而已。

但是不知你是否发现,第二句话此时也被引号包裹起来了。

为什么呢?

对,因为这句话里面含有制表符。如果不包裹,读取的时候可就要出问题了。程序就会傻乎乎地把 “第八季” 当成标记,扔掉后面的内容了。

你看现在编辑器的着色,实际上已经错误判断分列了。

我们试着用 Pandas 把它读取回来。

注意,这里我们依然指定了,分割符是 sep='\t'

pd.read_csv('data.tsv', sep='\t')

没有差别,效果依然很好。

这两种数据导出格式,非常直观简洁,用文本编辑器就可以打开查看。而且导出读取都很方便。

这是不是意味着,我们只要会用这两种格式就可以了呢?

别忙,我们再来看一个使用案例。

在处理中文文本信息时,我们经常需要做的一件事情,就是分词

这里,我们把之前两句话进行分词后,再尝试保存和读取。

为了分词,我们先安装一个jieba分词包。

!pip install jieba

然后把它读取进来。

import jieba

前面我们给自己挖了个坑——为了说明特殊符号的存储,我们加了换行符和制表符。现在问题来了,分词之后,我们肯定不想要这些符号。

怎么办呢?

我们来编写一个定制化的分词函数就好了。

这个函数里,我们分别清除掉制表符和换行符,然后再用结巴分词切割。分词这里,我们用的是默认参数

因为分词后的结果实际上是个生成器(generator),而我们是需要真正的列表(list)的,所以利用 list 函数强制转换分词结果成为列表。

def cleancut(s):
s = s.replace('\t', '')
s = s.replace('\n', '')
return list(jieba.cut(s))

我们生成一个新的数据框 df_list ,克隆原先的 df

df_list = df.copy()

然后,我们把分词的结果,存到新的数据框 df_listtext 列上面。

df_list.text = df.text.apply(cleancut)

看看分词后的效果:

df_list

怎么证明 text 上存储的确实是个列表呢?

我们来读取一下其中的第一个元素好了。

df_list.text.iloc[0][0]

结果显示为:

'这'

很好。此时的数据框可以正确存储预处理(分词)的结果。

下面我们还是仿照原先的方式,把这个处理结果数据导出,然后再导入。

先尝试 csv 格式。

df_list.to_csv('data_list.csv', index=None)

导出过程一切正常。

我们来看看生成的 csv 文件。

在存储的过程中,列表内部,每个元素都用单引号包裹。整体列表的外部,被双引号包裹。

至于分割符嘛,依然是逗号

看着是不是很正常?

我们来尝试把它读取回来。当然我们希望读取回来的格式,跟当时导出的一模一样

pd.read_csv('data_list.csv')

结果是这样的:

初看起来,很好啊!

但是,我们把它和导出之前的数据框对比一下,你来玩儿一个“大家来找茬”游戏吧。

注意,导出之前,列表当中的每一个元素,都没有引号包裹的。

但是重新读取回来的内容,每一个元素多了个单引号。

这看起来,似乎也不是什么大毛病啊。

然而,我们需要验证一下:

pd.read_csv('data_list.csv').text.iloc[0][0]

这次程序给我们返回的第一行文本分割的第一个元素,是这样的:

'['

不应该是“这”吗?

我们来看看下一个元素是“这”吗?

pd.read_csv('data_list.csv').text.iloc[0][1]

答案是:

"'"

看到这里,你可能已经恍然大悟。原来导出 csv 的时候,原先的分词列表被当成了字符串;导入进来的时候,干脆就是个字符串了。

可是我们需要的是个列表啊,这个字符串怎么用?

来看看 tsv 格式是不是对我们的问题有帮助。

df_list.to_csv('data_list.tsv', index=None, sep='\t')

打开导出的 tsv 文件。

列表就是列表,两边并没有用双引号包裹。

这次兴许能成!

我们赶紧读回来看看。

pd.read_csv('data_list.tsv', sep='\t')

这结果,立刻让人心里凉了一半。

因为列表里面每个元素两旁的单引号都在啊。

抱着一丝侥幸的心理,我们尝试一下验证第一个元素。

pd.read_csv('data_list.tsv', sep='\t').text.iloc[0][0]

果不其然,还是中括号

这意味着读回来的,还是一个字符串。

任务失败。

看来,依靠 csv/tsv 格式把列表导出导入,是不合适的。

那我们该怎么办呢?

pickle

好消息是,我们可以用 pickle 。

pickle 是一种二进制格式,在 Python 生态系统中,拥有广泛的支持。

例如 PyTorch 的预训练模型,就可以用它来存储和读取。

在 Pandas 里面使用 pickle,非常简单,和 csv 一样有专门的命令,而且连参数都可以不用修改添加。

df_list.to_pickle("data.pickle")

读取回来,也很方便。

df_list_loaded = pd.read_pickle("data.pickle")

我们来看看读取回来的数据是否正确:

df_list_loaded

这次看着好多了,那些让我们烦恼的引号都不见了。

验证一下第一行列表的第一个元素:

df_list_loaded.text.iloc[0][0]

结果是:

'这'

很让人欣喜的结果啊!

看来 pickle 格式果然靠谱。

不过,当我们试图在文本编辑器里打开 pickle 格式的时候,会有警告。

如果我们忽略警告,一意孤行。那么确实还是可以打开的。

只不过,你看得懂吗?

反正我是看不懂的。

这就是二进制存储方式的问题——只适合机器来看,人读起来如同天书。

但这其实还不是 pickle 格式最大的问题。

最大的问题,在于不同软件包之间的交互。

我们在做数据分析的时候,难免会调用 Pandas 以外的软件包,继续分析我们用 Pandas 预处理后的文件。

这个时候,就要看对方支持的文件格式有哪些了。

一个最常见的例子,是 PyTorch 的文本工具包 torchtext 。

用它读取数据的时候,格式列表里面不包含 pickle 。

这可糟糕了。我们前面需要 Pandas 来预处理分词,后面又需要使用 Torchtext 来划分训练集和验证集,生成迭代(iteration)数据流,以便输入模型做训练。

可在二者中间,我们却被交换格式问题卡住了。

好在,天无绝人之路。

你看,这里列出的格式列表,除了 csv 和 tsv (已被我们验证过不适合处理分词列表)之外,还有一个 JSON 。

JSON

JSON 绝对是数据交换界的一等公民

它不仅可以存储结构化数据(也就是我们例子里面的数据框,或者你更常见的 Excel 表格),也可以存储非结构化数据。

如果你跟着我的教程了解过一些 API 的 Python 调用方法,那你对 JSON 格式应该并不陌生。

本例中我们使用的,是一种特殊的 JSON 格式,叫做 JSON Lines。

之所以用它,是因为前面我们介绍的 torchtext 包,要求使用这种格式。

所以,在 Pandas 的 to_json 函数里,我们还要专门加上两个参数:

  • orient="records" :每一行数据单独作为字典形式输出;

  • lines=True :去掉首尾的外部括号,并且每一行数据之间不加逗号。

df_list.to_json("data.json", orient="records", lines=True)

输出的结果,是这个样子的。

由于中文采用了 unicode 方式存储,所以此处我们无法直接识别每一个汉字。

但是,存储的格式,以及其他类型的数据记录,还是能看得一清二楚的。

我们来尝试读入。方法与输出类似,也是用同样的参数。

df_list_loaded_json = pd.read_json("data.json", orient="records", lines=True)

看看读入效果:

df_list_loaded_json

首先,你会发现列的位置发生了调换。好在对于数据框来说,这不是问题,因为列之间的相对位置本来也没有特殊含义。

其次,你能看到,那些引号都没有出现。

为了进一步验证,我们还是调取第一行列表的第一个元素。

df_list_loaded_json.text.iloc[0][0]

显示为:

'这'

太棒了!

这样一来, Pandas 就可以和 torchtext 等软件包之间,建立顺畅而牢固的数据交换通道了。

小结

通过阅读本文,希望你已经掌握了以下知识点:

  • Pandas 数据框常用的数据导出格式;

  • csv/tsv 对于文本列表导出和读取中会遇到的问题;

  • pickle 格式的导出与导入,以及二进制文件难以直接阅读的问题;

  • JSON Lines 格式的输入输出方法及其应用场景;

  • 如何自定义函数,在分词的时候去掉特殊符号。

希望这些知识和技能,可以帮助你解决研究和工作中遇到的实际问题。

深度学习愉快!

延伸阅读

你可能也会对以下话题感兴趣。点击链接就可以查看。


推荐给你这本书,对于学 Pandas 很有帮助。

喜欢别忘了点赞

赞赏就是力量。

由于微信公众号外部链接的限制,文中的部分链接可能无法正确打开。如有需要,请点击文末的“阅读原文”按钮,访问可以正常显示外链的版本。

订阅我的微信公众号“玉树芝兰”,第一时间免费收到文章更新。别忘了加星标,以免错过新推送提示。

如果你对 Python 与数据科学感兴趣,希望能与其他热爱学习的小伙伴一起讨论切磋,答疑解惑,欢迎加入知识星球。

题图:Photo by Stephen Dawson on Unsplash


您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存