博文
如何用 Pandas 存取和交换数据？
||
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。
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 text 和 label 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_list 的 text 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。
祝深度学习愉快！
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。
喜欢别忘了点赞，并且把它转发给你身边有需要的朋友。
题图：Photo by Stephen Dawson on Unsplash
https://blog.sciencenet.cn/blog-377709-1182225.html
上一篇：如何用 Python 和 BERT 做多标签（multi-label）文本分类？
下一篇：如何免费获得高质量标注数据？
