python导入数据文件函数(python 导入数据)

python将txt导入到excel

你说的是使用python读取dat，txt类型文件或excel文件吧，这里我不清楚dat类型文件是什么类型的文件，数据格式是怎样的，所以主要讲一下如何简单快捷的读取txt文件指定的列数据和excel文件指定的列数据，主要用到numpy，pandas这两个包，这两个主要做科学计算和数据处理，python处理实验数据，经常要用到这两个包，至于dat类型的文件，我提供一种可能的思路，实验环境win7+python3.6+pycharm，主要步骤如下：

1.读取txt文件指定列。这里主要用到numpy这个包，以及其包含的loadtxt函数，读取的前提是txt文件不是完全的杂乱无章，没有一点格式、结构可循，如果真的是这样，建议手动调整一下格式，使其尽量保持一定的格式结果，然后再读取，不然的话，会出现错误，我这里新建了一个txt文件，样本内容如下，每行的数据以3个空格为间隔，一般情况下，实验所产生的txt数据都是有一定结构的：

对应读取的代码如下，这里以读取1，3列数据为例，很简单：

程序运行结果如下，已经成功打印出1，3列数据：

2.读取excel文件指定的列。这里主要用到pandas这个包，以及其包含的read_excel函数，因为excel数据本来就是有一定格式的，所以读起来就简单了许多，这里我新建了一个excel文件，样本数据如下：

对应读取的代码如下，这里以读取1，3列数据为例，很简单：

程序运行结果如下，已经成功打印出1，3列数据：

3.至于dat文件的话，这里提供一种可能思路，如果dat文件可以直接用记事打开的话，并且数据可以正常显示，没有乱码的情况下，有一定的格式可循，可以将其看作一个普通文件，使用python的open函数进行读取，将读取的数据存储在一个list列表中，或者使用特定软件将其转换成txt或excel文件后，再进行读取。如果是特殊类型的文件，这个就不好说了，这里就要自己想办法了。

至于后面如何进行可视化绘图，我就不多说了，像matplotlib等数据可视化包都可以。至此，就完成了这3中类型文件的读取，总的来说，实现起来不难，都有现成的包可直接利用，方便了许多，当然你也可以用其他包或者自己来实现，这个就因人而异了，只要能正常的读取实验数据就行，网上也有这方面的资料，你可以参考一下，希望以上分享的内容能对你有所帮助吧。

python怎么导入excel数据

使用第三方函数库。操作xls文件可以使用XLRD和XLWT函数库。你也可以到CSDN上搜索一下。

python怎么导入自定义函数

这个问题涉及到包和模块管理。包名和模块名一般是小写。你的文件是下面的结构，需要创建空文件 b/__init__.py，将b目录变成package。a/a.py

12

from b.c import indexindex()

b/c.py

12

def index(): print("hello")

b/__init__.pya/a.py 里面有两种引用方式，相对引用和绝对引用：# 如果a.py是 library，两种引用方式都可以

1

from ..b.c import index

# 如果a.py是 executable，必须使用绝对引用

1

from b.c import index

如果使用绝对引用，需要确保b所在目录在PYTHONPATH (sys.path)里面，比如可以这样执行：

1

env PYTHONPATH=. python a/a.py

python导入（import）文件夹下python子函数的方法

（1）主程序main.py与模块程序mod1.py在同一目录下。

--src

? |--mod1.py

? |--main.py

直接在main.py中导入模块mod1.py，即 import mod1 或 from mod1 import *

（2）主程序main.py所在目录是模块程序mod.py所在目录的父目录。

--src

? |--mod1.py

? |--main.py

? ---mod2

? ? ?|--mod2.py

先需要在mod2文件夹中建立空文件__init__.py

然后在main.py中导入模块mod2.py，即 import mod2.mod2 或 from mod2.mod2 import *

（3）主程序main.py导入上层目录中的模块或其他目录（平级）下的模块。

--src

? |--mod1.py

? ---mod2

? ? ?|--mod2.py

? ---sub

? ? ?|--main.py

先需要在mod2文件夹中建立空文件__init__.py，而src文件夹下不需要建立

然后进入主程序main.py所在的路径，执行python main.py

在main.py中导入模块mod2.py，即 import mod2.mod2 或 from mod2.mod2 import *

执行前在main.py中加入：

import sys

sys.path.append("..")

import mod1

import mod2.mod2

像Excel一样使用Python（一）

在进行数据处理时，如果数据简单，数量不多，excel是大家的首选。但是当数据众多，类型复杂，需要灵活地显示切片、进行索引、以及排序时，python会更加方便。借助python中的numpy和pandas库，它能快速完成各种任务，包括数据的创建、检查、清洗、预处理、提取、筛选、汇总、统计等。接下来几篇文章，将以excel为参照，介绍python中数据的处理。

提到pandas，那就不得不提两类重要的数据结构，Series和DataFrame，这两类数据结构都是建立在numpy的数组array基础上。与array相比，Series是一个一维的数据集，但是每个数据元素都带有一个索引，有点类似于字典。而DataFrame在数组的基础上，增加了行索引和列索引，类似于Series的字典，或者说是一个列表集。

所以在数据处理前，要安装好numpy , pandas。接下来就看看如何完成一套完整的数据操作。

创建数据表的方法分两种，分别是从外部导入数据，以及直接写入数据。

在python中，也可外部导入xlsx格式文件，使用read_excel()函数：

import pandas as pd

from pandas import DataFrame,Series

data=DataFrame(pd.read_excel('c:/python27/test.xlsx'))

print data

输出：

Gene Size Function

0 arx1 411 NaN

1 arx2 550 monooxygenase

2 arx3 405 aminotransferase

……

即：调用pandas中read_excel属性，来读取文件test.xlsx，并转换成DataFrame格式，赋给变量data。在每一行后，自动分了一个索引值。除了excel，还支持以下格式文件的导入和写入：

Python写入的方法有很多，但还是不如excel方便。常用的例如使用相等长度的字典或numpy数组来创建：

data1 = DataFrame(

{'Gene':['arx1','arx2','arx3'],

'Size':[411,550,405],

'Func':[np.NaN,'monooxygenase','aminotransferase ']})

print data1

输出

Func Gene Size

0 NaN arx1 411

1 monooxyg arx2 550

2 amino arx3 405

分配一个行索引后，自动排序并输出。

在python中，可以使用info()函数查看整个数据的详细信息。

print data.info()

输出

RangeIndex: 7 entries, 0 to 6

Data columns (total 3 columns):

Gene 7 non-null object

Size 7 non-null int64

Function 5 non-null object

dtypes: int64(1), object(2)

memory usage: 240.0+ bytes

None

此外，还可以通过shape, column, index, values, dtypes等函数来查看数据维度、行列组成、所有的值、 数据类型：

print data1.shape

print data1.index

print data1.columns

print data1.dtypes

输出

(3, 3)

RangeIndex(start=0, stop=3, step=1)

Index([u'Func', u'Gene', u'Size'], dtype='object')

Func object

Gene object

Size int64

dtype: object

在excel中可以按“F5”，在“定位条件”中选择“空值”，选中后，输入替换信息，再按“Ctrl+Enter”即可完成替换。

在python中，使用函数 isnull 和 notnull 来检测数据丢失, 包含空值返回True，不包含则返回False。

pd.isnull(data1)

pd.notnull(data1)

也可以使用函数的实例方法，以及加入参数，对某一列进行检查：

print data1['Func'].isnull()

输出

Func Gene Size

0 True False False

1 False False False

2 False False False

再使用fillna对空值进行填充：

data.fillna(value=0)

#用0来填充空值

data['Size'].fillna(data1['Size'].mean())

#用data1中Size列的平均值来填充空值

data['Func']=data['Func'].map(str.strip)

#清理Func列中存在的空格

Excel中可以按“Ctrl+F”，可调出替换对话框，替换相应数据。

Python中，使用replace函数替换：

data['Func'].replace('monooxygenase', 'oxidase')

将Func列中的'monooxygenase'替换成'oxidase'。

Excel中，通过“数据-筛选-高级”可以选择性地看某一列的唯一值。

Python中，使用unique函数查看：

print data['Func'].unique()

输出

[nan u'monooxygenase' u'aminotransferase' u'methyltransferase']

Excel中，通过UPPER、LOWER、PROPER等函数来变成大写、小写、首字母大写。

Python中也有同名函数：

data1['Gene'].str.lower()

Excel中可以通过“数据-删除重复项”来去除重复值。

Python中，可以通过drop_duplicates函数删除重复值：

print data['Func'].drop_duplicates()

输出

0 NaN

1 monooxygenase

2 aminotransferase

3 methyltransferase

Name: Func, dtype: object

还可以设置“ keep=’last’ ”参数，后出现的被保留，先出现的被删除：

print data['Func'].drop_duplicates(keep='last')

输出

2 aminotransferase

3 methyltransferase

6 monooxygenase

8 NaN

Name: Func, dtype: object

内容参考：

Python For Data Analysis

蓝鲸网站分析博客，作者蓝鲸（王彦平）

python如何导入数据

通过标准的Python库导入CSV文件：

Python提供了一个标准的类库CSV文件。这个类库中的reader()函数用来导入CSV文件。当CSV文件被读入后，可以利用这些数据生成一个NumPy数组，用来训练算法模型：