Python数据分析NumPy和pandas（十七、pandas 二进制格式文件处理）

以二进制格式存储（或序列化）数据的一种简单方法是使用 Python 的内置 pickle 模块。同时，pandas 构造的对象都有一个 to_pickle 方法，该方法以 pickle 格式将数据写入磁盘。

我们先把之前示例用到的ex1.csv文件加载到pandas对象中，然后将数据以二进制pickle格式写入examples/frame_pickle文件中：

import pandas as pd

frame = pd.read_csv("examples/ex1.csv")
frame.to_pickle("examples/frame_pickle")

以上代码会将数据输出到一个frame_pickle文件中：

Pickle 文件通常仅在 Python 中可读。可以直接使用内置的 pickle 来读取存储在文件中的任何 “pickled” 对象，或者用更简单方便的方式来读取，就是 pandas.read_pickle，我们把上面生成的frame_pickle文件加载回来：pd.read_pickle("examples/frame_pickle")  可以打印出来会输出以下内容：

注意：Pickle 仅推荐作为短期存储格式。问题在于很难保证格式会随着时间的推移而稳定；例如，今天被 picked 的对象可能无法使用更高版本的 library来unpickle 。pandas 会尽可能保持向后兼容性，但在将来，可能需要 “打破” 当前的pickle 格式。

pandas 也内置了对其他几种开源二进制数据格式的支持，例如 HDF5、ORC 和 Apache Parquet。例如，如果安装了 pyarrow  （pip install pyarrow或conda install pyarrow），则可以使用 pandas.read_parquet 读取 Parquet 文件。

fec = pd.read_parquet('datasets/fec/fec.parquet')

fec.head()

输出前5行：

对于HDF5格式文件的存取，我也将在后面进行学习。鼓励感兴趣的同学自己探索不同的文件格式，以了解它们的速度以及它们对在数据分析中的效果。

一、读取 Microsoft Excel 文件 

pandas 支持使用ExcelFile 类或 pandas.read_excel 函数等读取存储在 Excel 2003（及更高版本）文件中的表格数据。但是在内部，这些工具要使用附加组件包 xlrd 和 openpyxl 分别读取旧式 XLS 和较新的 XLSX 文件。我们可以使用 pip 或 conda分开安装。

pip install openpyxl xlrd

如果使用的是conda开发工具则可以使用

conda install openpyxl xlrd

使用 pandas的ExcelFile，我们通过传递 xls 或 xlsx 文件的路径来创建实例（这里使用的ex1.xlsx是一个二进制文件无法直接打开），例如：

xlsx = pd.ExcelFile("examples/ex1.xlsx")

此xlsx对象可以显示文件中可用工作表名称的列表： xlsx.sheet_names

然后可以通过 parse 将存储在工作表中的数据读入 DataFrame，加载为DataFrame后，就可以方便的进行数据处理分析等。

xlsx.parse(sheet_name="Sheet1")

输出：

 从上面输出可以了解到这个 Excel 表格有一个索引列，所以我们可以使用 index_col 参数来指示，重新编码：

xlsx.parse(sheet_name="Sheet1", index_col=0)

输出： 

使用pandas.ExcelFile读取excel文件中的多个工作表会更快，但我们也可以使用pandas.read_excel，这个编写代码相对更简单，同样接收文件名作为参数。例如：

frame = pd.read_excel("examples/ex1.xlsx", sheet_name="Sheet1") 

 输出：

要将 pandas 数据写入 Excel 格式，要先创建一个 ExcelWriter，然后使用 pandas 对象的 to_excel 方法将数据写入其中：

writer = pd.ExcelWriter("examples/ex2.xlsx")

frame.to_excel(writer, "Sheet1")

writer.save()

还可以将文件路径传递给 to_excel 而避免使用 ExcelWriter：

frame.to_excel("examples/ex2.xlsx") 

二、使用 HDF5 格式

HDF5 是一种备受推崇的文件格式，用于存储大量科学阵列数据。它以 C 库的形式提供，并且具有许多其他编程语言的接口，包括 Java、Julia、MATLAB 和 Python。HDF5 中的“HDF”代表分层数据格式。每个 HDF5 文件都可以存储多个数据集和支持元数据。与其他更简单的格式相比，HDF5 支持具有多种压缩模式的动态压缩，从而能够更高效地存储具有重复模式的数据。HDF5 是处理不适合内存的数据集的不错选择，因为我们可以方便有效地读取和写入大数组中的小部分。

要开始使用 HDF5 和 pandas，必须首先通过使用 pip 或 conda 安装 PyTables： 

pip install tables或 conda install pytables

注意：PyTables 包在 PyPI 中称为 “tables”，因此如果使用 pip 安装，则必须运行 pip install tables

虽然可以使用 PyTables 或 h5py 库直接访问 HDF5 文件，但 pandas 提供了一个高级接口，可简化 Series 和 DataFrame 对象的存储。HDFStore 类的工作方式类似于字典。例如：

import numpy as np
import pandas as pd

frame = pd.DataFrame({"a": np.random.standard_normal(100)})
store = pd.HDFStore("examples/mydata.h5")
store["obj1"] = frame
store["obj1_col"] = frame["a"]
print(store)
store.close()

以上代码会在examples目录中生成一个mydata.h5二进制文件，该文件类似于字典存储了frame中的数据。同时控制台打印出了store对象的类型和该文件存储的位置：

<class 'pandas.io.pytables.HDFStore'>
File path: examples/mydata.h5   

 可以使用相同的类似字典的方式检索 HDF5 文件中包含的对象：

import numpy as np
import pandas as pd

frame = pd.DataFrame({"a": np.random.standard_normal(100)})
store = pd.HDFStore("examples/mydata.h5")
store["obj1"] = frame
store["obj1_col"] = frame["a"]
#检索对象
obj1 = store["obj1"]
print(obj1)

store.close()

 输出：

                  a
0  -0.116291
1  -1.111014
2  -1.202469
3   0.436760
4  -0.989590
..       ...
95 -1.201137
96  1.113517
97 -0.942226
98 -0.485934
99  0.590444

[100 rows x 1 columns]

HDFStore 支持两种存储架构，即 “fixed” 和 “table” （默认为 “fixed”）。后者通常较慢，但它支持使用特殊语法的查询操作，例如：

import numpy as np
import pandas as pd

frame = pd.DataFrame({"a": np.random.standard_normal(100)})
store = pd.HDFStore("examples/mydata.h5")
#默认fixed存储
store["obj1"] = frame
store["obj1_col"] = frame["a"]

#设置table存储
store.put("obj2", frame, format="table")
#根据条件查询需要的数据
a = store.select("obj2", where=["index >= 10 and index <= 15"])
print(a)
store.close()

输出：

                   a
10  0.211580
11  0.196123
12 -0.869757
13 -1.543114
14 -0.566423
15  0.078732

还有更方便的方法：DataFrame.to_hdf 和 pandas.read_hdf ，上代码学习：

import numpy as np
import pandas as pd

frame = pd.DataFrame({"a": np.random.standard_normal(100)})

#将frame中的数据以table存储方式写入mydata.h5
frame.to_hdf("examples/mydata.h5", "obj3", format="table")
#读取前5行。
a = pd.read_hdf("examples/mydata.h5", "obj3", where=["index < 5"])

print(a)

输出：

                 a
0 -0.321670
1  0.011807
2  1.048680
3 -1.443384
4  0.312067

 如果需要，可以删除创建的 HDF5 文件，如下所示：

import os

os.remove("examples/mydata.h5")

注意：如果需要处理存储在远程服务器（如 Amazon S3 或 HDFS）上的数据，则使用专为分布式存储设计的二进制格式（如 Apache Parquet）可能更合适。

如果是在本地处理大量数据，可以更多的使用 PyTables 和 h5py，但是基于以上的学习内容还不够，需要深入了解他们的功能。由于许多数据分析问题都是 I/O 密集型（而不是 CPU 密集型）的，因此 HDF5 这样的工具使用会极大的提高我们的访问效率。

另外一个要注意的是：HDF5 不是数据库。它非常适合一次写入、多次读取的数据集。虽然我们可以随时将数据添加到HDF5 文件中，但如果多个写入器同时写入，则有可能会造成文件损坏。