（一）获取数据和读取数据

获取公开数据

下载、爬虫、API

一些公开数据集网站：

爬虫：
发送请求获取网页源代码——解析网页源代码内容，提取数据

通过公开API获取：
API定义了两个程序之间的服务合约，即双方是如何使用请求和响应来进行通讯的
发送请求——直接获得想要的数据

读取数据

JSON（容易转换成其他数据结构，本身结构非常灵活，可以层层嵌套）

两种数据结构：
JSON对象（Python字典）、JSON数组（Python列表）

如何读取？
import pandas as pd
df = pd.read_json（文件路径）#把json文件转成DataFrame
（文件读取、json解析、转成DataFrame）


languages对应的值是一个长度为3的数组，当键值对里的值是数组时，Pandas会把数组元素视为属于不同数据实例，拆分为单独的一行。其他属性值就被复制成三行来对应上。

CSV（本身就是一个非常规整的二维结构，excel打开就能变成表格，很直观）

对于1GB+以上的csv数据集，如果用excel打开，很可能会卡到崩溃。因为excel不仅要展示数据，还要试图展示格式，还要加载一系列功能。

此时可以用代码编辑器或纯文本编辑器打开。

更好的方法是用代码读取（比用软件读取更快），转换成DataFrame。然后用Pandas库里的方法，想看几行看几行。而不用把海量数据全部加载出来。

如何读取？
df = pd.read_csv（文件路径）#把csv文件转成DataFrame

列名
默认把第一行作为列名，如果本身没有header，而是以实际数据开头，可以设置header=None（表示不要把第一行当成列名）

标签索引
默认用位置索引。如果想把某列当成标签索引，可以传入index_col参数，令index_col=某列名

展示省略的中间列
默认展示20列，如果想提升展示的列数上限，可以用
pd.set_option（“display.max_columns”，150）
df.head(3)

即使值很长，也要展示完
默认每列的值最多展示50个字符，
pd.set_option（“display.max_colwidth”，500）
把上限调整为500个字符

获取结尾n行
df.tail(n) 默认5行

随机抽取n行
df.sample(n) 默认1行

获取DataFrame概况
df.info()

获取数字列的统计信息
df.describe()