Python的存储数常用卓越灵活性和易用性使其成为最受欢迎的编程语言之一，尤其是存储数常用对于数据处理和机器学习方面来说，其强大的存储数常用数据处理库和算法库使得python成为入门数据科学的首选语言。在日常使用中，存储数常用CSV，存储数常用JSON和XML三种数据格式占据主导地位。存储数常用下面我将针对三种数据格式来分享其快速处理的存储数常用方法。
CSV数据
CSV是存储数常用存储数据的最常用方法。在Kaggle比赛的存储数常用大部分数据都是以这种方式存储的。我们可以使用内置的存储数常用Python csv库来读取和写入CSV。通常，存储数常用我们会将数据读入列表列表。存储数常用
看看下面的存储数常用代码。当我们运行csv.reader()所有CSV数据变得可访问时。存储数常用该csvreader.next()函数从CSV中读取一行; 每次调用它，存储数常用它都会移动到下一行。我们也可以使用for循环遍历csv的每一行for row in csvreader 。服务器托管确保每行中的列数相同，否则，在处理列表列表时，最终可能会遇到一些错误。
import csv filename = "my_data.csv" fields = [] rows = [] # Reading csv file with open(filename, r) as csvfile: # Creating a csv reader object csvcsvreader = csv.reader(csvfile) # Extracting field names in the first row fields = csvreader.next() # Extracting each data row one by one for row in csvreader: rows.append(row) # Printing out the first 5 rows for row in rows[:5]: print(row) 在Python中写入CSV同样容易。在单个列表中设置字段名称，并在列表列表中设置数据。这次我们将创建一个writer()对象并使用它将我们的数据写入文件，与读取时的方法基本一样。
import csv # Field names fields = [Name, Goals, Assists, Shots] # Rows of data in the csv file rows = [ [Emily, 12, 18, 112], [Katie, 8, 24, 96], [John, 16, 9, 101], [Mike, 3, 14, 82]] filename = "soccer.csv" # Writing to csv file with open(filename, w+) as csvfile: # Creating a csv writer object csvcsvwriter = csv.writer(csvfile) # Writing the fields csvwriter.writerow(fields) # Writing the data rows csvwriter.writerows(rows) 我们可以使用Pandas将CSV转换为快速单行的字典列表。将数据格式化为字典列表后，我们将使用该dicttoxml库将其转换为XML格式。我们还将其保存为JSON文件！
import pandas as pd from dicttoxml import dicttoxml import json # Building our dataframe data = { Name: [Emily, Katie, John, Mike], Goals: [12, 8, 16, 3], Assists: [18, 24, 9, 14], Shots: [112, 96, 101, 82] } df = pd.DataFrame(data, columns=data.keys()) # Converting the dataframe to a dictionary # Then save it to file data_dict = df.to_dict(orient="records") with open(output.json, "w+") as f: json.dump(data_dict, f, indent=4) # Converting the dataframe to XML # Then save it to file xml_data = dicttoxml(data_dict).decode() with open("output.xml", "w+") as f: f.write(xml_data) JSON数据
JSON提供了一种简洁且易于阅读的格式，它保持了字典式结构。就像CSV一样，Python有一个内置的JSON模块，使阅读和写作变得非常简单！我们以字典的形式读取CSV时，然后我们将该字典格式数据写入文件。
import json import pandas as pd # Read the data from file # We now have a Python dictionary with open(data.json) as f: data_listofdict = json.load(f) # We can do the same thing with pandas data_df = pd.read_json(data.json, orient=records) # We can write a dictionary to JSON like so # Use indent and sort_keys to make the JSON # file look nice with open(new_data.json, w+) as json_file: json.dump(data_listofdict, json_file, indent=4, sort_keys=True) # And again the same thing with pandas export = data_df.to_json(new_data.json, orient=records) 正如我们之前看到的，一旦我们获得了数据，高防服务器就可以通过pandas或使用内置的Python CSV模块轻松转换为CSV。转换为XML时，可以使用dicttoxml库。具体代码如下：
import json import pandas as pd import csv # Read the data from file # We now have a Python dictionary with open(data.json) as f: data_listofdict = json.load(f) # Writing a list of dicts to CSV keys = data_listofdict[0].keys() with open(saved_data.csv, wb) as output_file: dict_writer = csv.DictWriter(output_file, keys) dict_writer.writeheader() dict_writer.writerows(data_listofdict) XML数据
XML与CSV和JSON有点不同。CSV和JSON由于其既简单又快速，可以方便人们进行阅读，编写和解释。而XML占用更多的内存空间，传送和储存需要更大的带宽，更多存储空间和更久的运行时间。但是XML也有一些基于JSON和CSV的额外功能：您可以使用命名空间来构建和共享结构标准，更好地传承，以及使用XML、DTD等数据表示的行业标准化方法。
要读入XML数据，我们将使用Python的内置XML模块和子模ElementTree。我们可以使用xmltodict库将ElementTree对象转换为字典。一旦我们有了字典，我们就可以转换为CSV，JSON或Pandas Dataframe！具体代码如下：
import xml.etree.ElementTree as ET import xmltodict import json tree = ET.parse(output.xml) xml_data = tree.getroot() xmlstr = ET.tostring(xml_data, encoding=utf8, method=xml) data_dict = dict(xmltodict.parse(xmlstr)) print(data_dict) with open(new_data_2.json, w+) as json_file: json.dump(data_dict, json_file, indent=4, sort_keys=True)