Python中基本的读文件和简单数据处理

DataQuest上面的免费课程（本文是Python基础课程部分），里面有些很基础的东西（csv文件读，字符串预处理等），发在这里做记录。涉及下面六个案例：

Find the lowest crime rate（读取csv文件，字符串切分，for循环和if判断过滤数据）
Discover weather pattern in LA（for循环和if判断进行频数统计）
Building a Spell Checker（词频统计，字符串预处理，字典跑字符串，统计正确错误单词）
Analyze NFL data（使用CSVmodule导入文件，类，函数，使用字典和list进行简单统计）
What should you name your kid if you want them to be a US Congressperson?（数据预处理，强制类型转换int()，try-except语句，字典方式统计，转存需要数据）
Which airline is delayed the most?
附录：逐行读取txt文件

案例1 Find the lowest crime rate

（读取csv文件，字符串切分，for循环和if判断过滤数据）

crime_rates.csv是单sheet，73Rows，2Cols的文件。第一列是城市名称（字符串），第二列是犯罪数量（整数）。但是读入Python开始都是字符串，在后面类型转换将字符串形式的犯罪数量强制转换成整型。并将分隔开转换后的数据存到full_data这个list中，然后使用for循环将犯罪数量最小的城市找出来（if判断，已知犯罪数最小为130），并将这个城市名存入变量city中。

# We know that the lowest crime rate is 130.

# This is the second column of the data.

# We need to find the corresponding value in the first column -- the city with the lowest crime rate.

# Let's load the csv file

f = open('crime_rates.csv', 'r')

data = f.read()

rows = data.split('\n')

full_data = []

for row in rows:

split_row = row.split(",")

split_row[1] = int(split_row[1])

full_data.append(split_row)

city = ""

lowest_crime_rate = 10000

for item in full_data:

if item[1] == 130:

city = item[0]

案例2 Discover weather pattern in LA

（for循环和if判断进行频数统计）

两列数据的文本文件，有表头。导入la_weather.txt文本文件，切分，存入变量weather_data中，去掉表头。使用字典（dictionary）进行不同类型的频数统计。

weather_data = []

f = open("la_weather.csv", 'r')

data = f.read()

rows = data.split('\n')

for row in rows:

split_row = row.split(",")

weather_data.append(split_row)

print(weather_data)

#去掉表头

weather = weather_data[1:367]

weather_counts = {}

for item in weather:

if item in weather_counts:

weather_counts[item] = weather_counts[item] + 1

else:

weather_counts[item] = 1

print(weather_counts)

案例3 Building a Spell Checker

（词频统计，字符串预处理，字典跑字符串，统计正确错误单词）

# 将字符正规化，对字符进行处理，去掉特殊符号

def normalize(token):

token = token.replace(".","")

token = token.replace(",","")

token = token.replace("'", "")

token = token.replace(";", "")

token = token.replace("\n", "")

token = token.lower()

return token

# 建立一个list用于存放正规的字典

normalized_dictionary_tokens = []

# 只读方式打开一个文件

f = open("dictionary.txt", "r")

raw_data = f.read()

# 按照空格将字符串进行切分，成单个单词

data = raw_data.split(" ")

# 遍历切分后的单词，进行正规化处理（def normalize，去掉特殊符号）

for token in data:

normalized_dictionary_tokens.append(normalize(token))

print(normalized_dictionary_tokens)

#统计正确单词和错误单词的词频。用一个正确单词的字典来遍历这个字符串，并进行统计

potential_misspellings = []

correctly_spelled = []

for token in normalized_story_tokens:

if token in normalized_dictionary_tokens:

correctly_spelled.append(token)

else:

potential_misspellings.append(token)

print(correctly_spelled)

print(potential_misspellings)

案例4 Analyze NFL data

（使用CSVmodule导入文件，类，函数，使用字典和list进行简单统计）

import csv

class Team():

def __init__(self, name):

self.name = name

f = open("nfl.csv", 'r')

csvreader = csv.reader(f)

self.nfl = list(csvreader)

def count_total_wins(self):

count = 0

for row in self.nfl:

if row[2] == self.name:

count = count + 1

return count

def wins_by_years(self):

wins = {}

years = ["2009", "2010", "2011", "2012", "2013"]

for year in years:

count = 0

for row in self.nfl:

if row[2] == self.name and row[0] == year:

count += 1

wins[year] = count

return wins

niners = Team("San Francisco 49ers")

niners_wins_by_year = niners.wins_by_years()

print("Niners_wins_by_year: ", niners_wins_by_year)

案例5 What should you name your kid if you want them to be a US Congressperson?

（数据预处理，强制类型转换int()，try-except语句，字典方式统计，转存需要数据）

# legislators变量是一个2维list，大list里的其中一个list（条目）是一个有7个元素组成的（姓，名，出生年月日，未知，未知，未知）。我们要做的是这一组数据进行预处理，然后进行姓名的统计。

genders_list = []

unique_genders = set()

unique_genders_list = []

# 将性别数据以append方式挨个读入list变量genders_list中去

for row in legislators:

genders_list.append(row[3])

# genders_list变量使用set()函数进行元素去重变为字典，并存入字典变量unique_genders中，将去重后的结果再存储成list类型数据搭配到变量unique_genders_list

unique_genders = set(genders_list)

unique_genders_list = list(unique_genders)

print(genders_list)

# 已知性别数据的错误值为""，将其重赋值为“M”

for row in legislators:

if row[3] == "":

row[3] = "M"

# 统计出生年份存入list变量birth_years中。其中需要使用split方法对list中的某个元素进行切分，取其中第一个元素（即年），以append追加的方法存入list变量birth_years中

birth_years = []

for row in legislators:

birth_list = []

birth_list = row[2].split("-")

birth_years.append(birth_list[0])

# 对list变量进行enumerate()函数操作（得到下标和所在的当前row）类似对字典进行.item()方法（得到key和对应的value）。

# 将年份存入list变量legislators中每行的第八列，按照append追加的方法

for i, row in enumerate(legislators):

row.append(birth_years[i])

# 将legislatros变量的第八列元素（出生年份）的字符串类型，强制类型转换成int类型。如遇到强制转换错误就将出生年份值变为0

for row in legislators:

try:

row[7] = int(row[7])

except Exception:

row[7] = 0

# 用字典进行姓名统计（key为姓名，value为出现次数）存入male_name_counts字典变量中。并将出现次数最多的名字（同样是最大出现次数，但名字不止一个），将这些名字存入list变量top_male_names中

top_male_names = []

male_name_counts = {}

# 用字典进行姓名统计，条件是出生年份大于1940，并且是女性

for row in legislators:

if row[7] > 1940 and row[3] == "M":

if row[1] in male_name_counts:

male_name_counts[row[1]] += 1

else:

male_name_counts[row[1]] = 1

# 找出名字出现最多的次数highest_value

highest_value = None

for key, value in male_name_counts.items():

if highest_value is None or value > highest_value:

highest_value = value

# 将名字次数出现最多的名字（同样是最大出现次数，但名字不止一个），将这些名字以追加append的方式存入list变量top_male_names中

for key, value in male_name_counts.items():

if value == highest_value:

top_male_names.append(key)

案例6 Which airline is delayed the most?

这个案例来来回回做了好几天，反正基本上大都是参考答案做过的……酱油了……

def column_number_from_name(column_name):

column_number = None

for i, column in enumerate(column_names):

if column == column_name:

column_number = i

return column_number

def find_average_delay(carrier_name=None):

total_delayed_flights = 0

total_delay_time = 0

delay_time_column = column_number_from_name("arr_delay")

delay_number_column = column_number_from_name("arr_del15")

carrier_column = column_number_from_name("carrier")

for row in flight_delays:

if carrier_name is None or row[carrier_column] == carrier_name:

total_delayed_flights += float(row[delay_number_column])

total_delay_time += float(row[delay_time_column])

return total_delay_time / total_delayed_flights

delays_by_carrier = {}

carrier_column = column_number_from_name("carrier")

carriers = [row[carrier_column] for row in flight_delays]

unique_carriers = list(set(carriers))

for carrier in unique_carriers:

delays_by_carrier[carrier] = find_average_delay(carrier)

print(delays_by_carrier)

附录1 逐行读取txt文件

# 方法一

f = open("foo.txt") # 返回一个文件对象

line = f.readline() # 调用文件的 readline()方法

while line:

print line, # 后面跟 ',' 将忽略换行符

# print(line, end = '')　　 # 在 Python 3中使用

line = f.readline()

f.close()

# 方法二

for line in open("foo.txt"):

print line

# 方法三

f = open("c:\\1.txt","r")

lines = f.readlines() #读取全部内容

for line in lines

print line