[Python] 使用 Pandas 來撈資料

之前撈網站資料都用 Python 的 Beautiful Soup，覺得已經很方便了，不過在 SITCON 聽講者介紹 Pandas，發現用它來抓網頁表格更方便快速呀！

Pandas 一樣是 Python 套件，可以擷取 JSON、CSV、Excel 與 HTML 等等格式的資料。資料型態為 DataFrame 格式，可以使用 Index（Row） 或 Column 存取資料，整理資料的時候相當好用。

開發環境

• 這篇文章使用的是較舊的 Python 2.x
• 使用 iPython 來協助開發
• 由於用 Pandas 爬 HTML 還需要額外裝一些東西，在 Windows 安裝遇到點問題，所以使用 Mac 環境測試。

安裝必要套件

在 Mac 環境下，需要先裝 libxml2 與 libxslt

brew install libxml2
brew install libxslt
brew link libxml2 --force
brew link libxslt --force

接著裝以下套件即可完工

pip install lxml
pip install html5lib
pip install beautifulsoup4
pip install pandas

使用 Pandas 匯入資料

可以匯入 CSV、Excel 與 HTML 等多種格式，使用方式簡單如下：

import pandas as pd
data = pd.read_csv('file.csv')
data = pd.read_excel('file.xls', 'sheet')
data = pd.read_html('url')

檔案讀取進來後，就是要畫圖呈現拉！可以參考 Pandas 網站上的 Visualization 章節，使用 Matplotlib API 繪圖。這部份就自行點閱 Pandas官網。

此外，Pandas 也提供方便的功能，直接顯示統計資訊與相關係數。

data.describe()
data.corr()

文字編碼問題

讀取中文的時候常常會出現亂碼，原因就是編碼不如預期，比如說 utf-8。通常在 Python 檔案前面加上以下文字就能一勞永逸，但有些時候還是會有問題。

# -- coding: utf-8 --

老師的投影片舉了以下例子，使用 raw_input 的時候，若沒有加上 Unicode 編碼，輸出就會產生亂碼，改進的方式如下

name = raw_input(u" 請輸入你的名字: ")
print " 你好! " + name.decode(s).encode("utf-8")

範例程式

實測 Pandas：抓取 StockQ.org 上的股市資料。 網頁上的資料明顯是一個表格，適合用 Pandas 直接抓取。如下圖：

接著我們直接利用 read_html 抓取表格資料

import pandas as pd
url = 'http://www.stockq.org/market/asia.php'
pd.read_html(url)[4]

這個網頁上有多個表格，而我們關注的股市資料放在第五個表格中，因此下指令 read_html(url)[4] 拿到第五個表格的資料。

但仔細一看，居然有 287 個 Column？網頁上明明沒有那麼多呀，這裡先不管是不是 HTML 寫的問題，我們用 drop 指令把不要的 Row 與 Column 丟掉，留下想要的表格！

import pandas as pd
url = 'http://www.stockq.org/market/asia.php'
table = pd.read_html(url)[4]
table = table.drop(table.columns[[0,1,2,3,4]],axis=0)
table = table.drop(table.columns[9:296],axis=1)
table

抓取資料的說明就到這，接下來就是處理資料囉。

參考資料

• Pandas!資料處理與分析的利器!
• Cannot install Lxml on Mac os x 10.9