本教程的知识点为：机器学习（常用科学计算库的使用）基础定位 机器学习概述 机器学习概述 1.5 机器学习算法分类 1 监督学习 机器学习概述 1.7 Azure机器学习模型搭建实验 Azure平台简介 Matplotlib 3.2 基础绘图功能 — 以折线图为例 1 完善原始折线图 — 给图形添加辅助功能 Matplotlib 3.3 常见图形绘制 1 常见图形种类及意义 Numpy 4.2 N维数组-ndarray 1 ndarray的属性 Numpy 4.4 ndarray运算 问题 Pandas 5.1Pandas介绍 1 Pandas介绍 Pandas 5.3 基本数据操作 1 索引操作 Pandas 5.6 文件读取与存储 1 CSV Pandas 5.8 高级处理-数据离散化 1 为什么要离散化 Pandas 5.12 案例 1 需求

完整笔记资料代码：https://gitee.com/yinuo112/AI/tree/master/机器学习/嘿马机器学习（科学计算库）/note.md

感兴趣的小伙伴可以自取哦~

全套教程部分目录：

部分文件图片：

Pandas

学习目标

• 了解Numpy与Pandas的不同
• 说明Pandas的Series与Dataframe两种结构的区别
• 了解Pandas的MultiIndex与panel结构
• 应用Pandas实现基本数据操作
• 应用Pandas实现数据的合并
• 应用crosstab和pivot_table实现交叉表与透视表
• 应用groupby和聚合函数实现数据的分组与聚合
• 了解Pandas的plot画图功能
• 应用Pandas实现数据的读取和存储

5.6 文件读取与存储

学习目标

• 目标

• 了解Pandas的几种文件读取存储操作

• 应用CSV方式、HDF方式和json方式实现文件的读取和存储

我们的数据大部分存在于文件当中，所以pandas会支持复杂的IO操作，pandas的API支持众多的文件格式，如CSV、SQL、XLS、JSON、HDF5。

注：最常用的HDF5和CSV文件

1 CSV

1.1 read_csv

• pandas.read_csv(filepath_or_buffer, sep =',', usecols )

• filepath_or_buffer:文件路径

• sep :分隔符，默认用","隔开

• usecols:指定读取的列名，列表形式

• 举例：读取之前的股票的数据

# 读取文件,并且指定只获取'open', 'close'指标


data = pd.read_csv("./data/stock_day.csv", usecols=['open', 'close'])

            open    close
2018-02-27    23.53    24.16
2018-02-26    22.80    23.53
2018-02-23    22.88    22.82
2018-02-22    22.25    22.28
2018-02-14    21.49    21.92

1.2 to_csv

• DataFrame.to_csv(path_or_buf=None, sep=', ’, columns=None, header=True, index=True, mode='w', encoding=None)

• path_or_buf :文件路径

• sep :分隔符，默认用","隔开
• columns :选择需要的列索引
• header :boolean or list of string, default True,是否写进列索引值
• index:是否写进行索引

• mode:'w'：重写, 'a' 追加

• 举例：保存读取出来的股票数据

• 保存'open'列的数据，然后读取查看结果

# 选取10行数据保存,便于观察数据


data[:10].to_csv("./data/test.csv", columns=['open'])

# 读取，查看结果


pd.read_csv("./data/test.csv")

     Unnamed: 0    open
0    2018-02-27    23.53
1    2018-02-26    22.80
2    2018-02-23    22.88
3    2018-02-22    22.25
4    2018-02-14    21.49
5    2018-02-13    21.40
6    2018-02-12    20.70
7    2018-02-09    21.20
8    2018-02-08    21.79
9    2018-02-07    22.69

会发现将索引存入到文件当中，变成单独的一列数据。如果需要删除，可以指定index参数,删除原来的文件，重新保存一次。

# index:存储不会讲索引值变成一列数据


data[:10].to_csv("./data/test.csv", columns=['open'], index=False)

2 HDF5

2.1 read_hdf与to_hdf

HDF5文件的读取和存储需要指定一个键，值为要存储的DataFrame

• pandas.read_hdf(path_or_buf，key =None，** kwargs)

从h5文件当中读取数据

• path_or_buffer:文件路径
• key:读取的键

• return:Theselected object

• DataFrame.to_hdf(path_or_buf, key, **kwargs)

2.2 案例

• 读取文件

day_close = pd.read_hdf("./data/day_close.h5")

如果读取的时候出现以下错误

需要安装安装tables模块避免不能读取HDF5文件

pip install tables

• 存储文件

day_close.to_hdf("./data/test.h5", key="day_close")

再次读取的时候, 需要指定键的名字

new_close = pd.read_hdf("./data/test.h5", key="day_close")

注意：优先选择使用HDF5文件存储

• HDF5在存储的时候支持压缩，使用的方式是blosc，这个是速度最快的也是pandas默认支持的
• 使用压缩可以提磁盘利用率，节省空间
• HDF5还是跨平台的，可以轻松迁移到hadoop 上面

3 JSON

JSON是我们常用的一种数据交换格式，前面在前后端的交互经常用到，也会在存储的时候选择这种格式。所以我们需要知道Pandas如何进行读取和存储JSON格式。

3.1 read_json

• pandas.read_json(path_or_buf=None, orient=None, typ='frame', lines=False)

• 将JSON格式准换成默认的Pandas DataFrame格式

• orient : string,Indication of expected JSON string format.

  • 'split' : dict like {index -> [index], columns -> [columns], data -> [values]}

    • split 将索引总结到索引，列名到列名，数据到数据。将三部分都分开了

  • 'records' : list like [{column -> value}, ... , {column -> value}]

    • records 以columns：values的形式输出

  • 'index' : dict like {index -> {column -> value}}

    • index 以index：{columns：values}...的形式输出

  • 'columns' : dict like {column -> {index -> value}},默认该格式

    • colums 以columns:{index:values}的形式输出

  • 'values' : just the values array

    • values 直接输出值

• lines : boolean, default False

  • 按照每行读取json对象

• typ : default ‘frame’， 指定转换成的对象类型series或者dataframe

3.2 read_josn 案例

• 数据介绍

这里使用一个新闻标题讽刺数据集，格式为json。is_sarcastic：1讽刺的，否则为0；headline：新闻报道的标题；article_link：链接到原始新闻文章。存储格式为：

{"article_link": " "headline": "former versace store clerk sues over secret 'black code' for minority shoppers", "is_sarcastic": 0}
{"article_link": " "headline": "the 'roseanne' revival catches up to our thorny political mood, for better and worse", "is_sarcastic": 0}

• 读取

orient指定存储的json格式，lines指定按照行去变成一个样本

json_read = pd.read_json("./data/Sarcasm_Headlines_Dataset.json", orient="records", lines=True)

结果为：

3.3 to_json

• DataFrame.to_json(path_or_buf=None, orient=None, lines=False)

• 将Pandas 对象存储为json格式

• path_or_buf=None：文件地址
• orient:存储的json形式，{‘split’,’records’,’index’,’columns’,’values’}
• lines:一个对象存储为一行

3.4 案例

• 存储文件

json_read.to_json("./data/test.json", orient='records')

结果

[{"article_link":"https:\/\/www.huffingtonpost.com\/entry\/versace-black-code_us_5861fbefe4b0de3a08f600d5","headline":"former versace store clerk sues over secret 'black code' for minority shoppers","is_sarcastic":0},{"article_link":"https:\/\/www.huffingtonpost.com\/entry\/roseanne-revival-review_us_5ab3a497e4b054d118e04365","headline":"the 'roseanne' revival catches up to our thorny political mood, for better and worse","is_sarcastic":0},{"article_link":"https:\/\/local.theonion.com\/mom-starting-to-fear-son-s-web-series-closest-thing-she-1819576697","headline":"mom starting to fear son's web series closest thing she will have to grandchild","is_sarcastic":1},{"article_link":"https:\/\/politics.theonion.com\/boehner-just-wants-wife-to-listen-not-come-up-with-alt-1819574302","headline":"boehner just wants wife to listen, not come up with alternative debt-reduction ideas","is_sarcastic":1},{"article_link":"https:\/\/www.huffingtonpost.com\/entry\/jk-rowling-wishes-snape-happy-birthday_us_569117c4e4b0cad15e64fdcb","headline":"j.k. rowling wishes snape happy birthday in the most magical way","is_sarcastic":0},{"article_link":"https:\/\/www.huffingtonpost.com\/entry\/advancing-the-worlds-women_b_6810038.html","headline":"advancing the world's women","is_sarcastic":0},....]

• 修改lines参数为True

json_read.to_json("./data/test.json", orient='records', lines=True)

结果

{"article_link":"https:\/\/www.huffingtonpost.com\/entry\/versace-black-code_us_5861fbefe4b0de3a08f600d5","headline":"former versace store clerk sues over secret 'black code' for minority shoppers","is_sarcastic":0}
{"article_link":"https:\/\/www.huffingtonpost.com\/entry\/roseanne-revival-review_us_5ab3a497e4b054d118e04365","headline":"the 'roseanne' revival catches up to our thorny political mood, for better and worse","is_sarcastic":0}
{"article_link":"https:\/\/local.theonion.com\/mom-starting-to-fear-son-s-web-series-closest-thing-she-1819576697","headline":"mom starting to fear son's web series closest thing she will have to grandchild","is_sarcastic":1}
{"article_link":"https:\/\/politics.theonion.com\/boehner-just-wants-wife-to-listen-not-come-up-with-alt-1819574302","headline":"boehner just wants wife to listen, not come up with alternative debt-reduction ideas","is_sarcastic":1}
{"article_link":"https:\/\/www.huffingtonpost.com\/entry\/jk-rowling-wishes-snape-happy-birthday_us_569117c4e4b0cad15e64fdcb","headline":"j.k. rowling wishes snape happy birthday in the most magical way","is_sarcastic":0}...

4 小结

• pandas的CSV、HDF5、JSON文件的读取【知道】

• 对象.read_**()

• 对象.to_**()

5.7 高级处理-缺失值处理

学习目标

• 目标

• 应用isnull判断是否有缺失数据NaN

• 应用fillna实现缺失值的填充
• 应用dropna实现缺失值的删除
• 应用replace实现数据的替换

1 如何处理nan

• 获取缺失值的标记方式(NaN或者其他标记方式)

• 如果缺失值的标记方式是NaN

• 判断数据中是否包含NaN：

  • pd.isnull(df),
  • pd.notnull(df)

• 存在缺失值nan:

  • 1、删除存在缺失值的:dropna(axis='rows')

    • 注：不会修改原数据，需要接受返回值

  • 2、替换缺失值:fillna(value, inplace=True)

    • value:替换成的值
    • inplace:True:会修改原数据，False:不替换修改原数据，生成新的对象

• 如果缺失值没有使用NaN标记，比如使用"？"

• 先替换‘?’为np.nan，然后继续处理

2 电影数据的缺失值处理

• 电影数据文件获取

# 读取电影数据


movie = pd.read_csv("./data/IMDB-Movie-Data.csv")

2.1 判断缺失值是否存在

• pd.notnull()