咱们可通过适度时辰ID和样本ID赢得对应的Series和DataFrame。

根据2021年测试自动化报告，超过40%的公司正在寻求扩展和投资于测试自动化的资源。虽然这并不意味着手动测试会消失，但从ROI的角度来看，人们对自动化的兴趣越来越大——无论是在金钱还是时间方面。

由于这些对象的常用操作圭臬非常通常，因此本文主要使用DataFrame进行演示。

Pandas库提供了方便读取土产货结构化数据的圭臬。这里主要以csv数据为例，read_csv函数不错读取csv数据，代码如下：

import 头头体育官网，头头体育APP，头头体育电子竞技pandas as pd csv = pd.read_csv('data/sample.csv') csv 

id name   scores 0   1  小明    78.0 1   2  小红    87.0 2   3  小白    99.0 3   4  小青 99999.0 4   5  小兰     NaN 

按照常规，Pandas会以pd为别称，以read_csv函数读取指定旅途下的文献，然后复返一个DataFrame对象。要是在敕令行中打印DataFrame对象，可读性可能会略差一些;要是在Jupyter Notebook中打印的话，可读性会大幅提高。

打印出来的DataFrame包含索引(第一列)，列名(第一排)及数据本体(除第一排和第一列除外的部分)。

此外，read_csv函数有好多参数不错缔造，如下所示。

使用参数usecol和nrows读取指定的列和前n行，这么不错加速数据读取速率。读取原数据的两列、两行示举例下。

csv = pd.read_csv('data/sample.csv',\                   usecols=['id','name'],\                   nrows=2) #读取'id'和'name'两列，仅读取前两行 csv 

id name 0   1  小明 1   2  小红 

参数chunksize不错指定分块读取的行数，并复返一个可迭代对象。这里，big.csv是一个4500行、4列的csv数据，设定chunksize=900，分5块读取数据，每块900行，4个变量，如下所示：

csvs = pd.read_csv('data/big.csv',chunksize=900) for i in csvs:    print (i.shape) 

(900, 4) (900, 4) (900, 4) (900, 4) (900, 4) 

不错使用pd.concat函数读取沿路数据：

csvs = pd.read_csv('data/big.csv',chunksize=900) dat = pd.concat(csvs,ignore_index=True) dat.shape 

(4500, 4) 

在数据sample.csv中，“小青”的分数中有的取值为99999，这里令其读取为缺失值，操作如下：

csv = pd.read_csv('data/sample.csv',                   na_values='99999') csv 

id name  scores 0   1  小明   78.0 1   2  小红   87.0 2   3  小白   99.0 3   4  小青    NaN 4   5  小兰    NaN 

读取数据时，乱码情况时时出现。这里需要先弄廓清原始数据的编码模式，再以指定的编码模式读取，举例sample.csv编码为UTF-8，这里以指定编码(参数encoding)方式读取。

csv = pd.read_csv('data/sample.csv',                   encoding='utf-8') csv 

id name   scores 0   1  小明    78.0 1   2  小红    87.0 2   3  小白    99.0 3   4  小青 99999.0 4   5  小兰     NaN 

对于作家：张秋剑，赴任于腾讯云金融拓展中心，从事微信金钱营销管制、数据中台、AI行使等搞定决议拓展责任，接续地方包括数字化转型、翻新实践等。

张浩，曾任腾讯云金融首席架构师和星环科技金融行业技能总监，主要从事大数据、人工智能、云运筹帷幄、区块链、联邦学习等有关技能研发与居品野心，具有丰富的企业架构野心、企业数字化计谋转型运营与业务洽商讲解。

周大川，赴任于某中央金融企业金融科技研发中心，主要从事企业级数据平台拓荒、中枢业务平台设置、AI赋能金融科技翻新等责任，具有丰富的新一代金融业务系统设置讲解。

常国珍，曾任毕马威洽商大数据总监，具有近20年数据挖掘、精益数据治理、数字化运营洽商讲解，是金融信用风险、反诓骗和反洗钱算法限度的各人。

本文摘编自《金融生意数据分析：基于Python和SAS》，经出书方授权发布。(ISBN：9787111695837)