【自动化测试】python基础部分02

1. JSON文件

接口测试的数据类型Json-----语法格式：{"key": value}

注意：
(1) Json 是一种纯字符数据，不属于编程语言
(2) Json 的数据用花括号{}或中括号[]包裹
(3) Json 的键值对的键部分，必须用双引号包裹，单引号不行。末尾不能有逗号

1.1 dict字典与Json之间的转换

userInfo = {"count": 1,"data": [{'name': 'stella','age': 21}]
}
# 字典转json
userInfo_json = json.dumps(userInfo)
print(type(userInfo_json))  # <class 'str'>
print(userInfo_json)
print("__________________")

# json格式的字符串转为字典
userInfo_json = """{"count": 1, "data": [{"name": "stella", "age": 21}]}"""
userInfo = json.loads(userInfo_json)
print(type(userInfo))   # <class 'dict'>
print(userInfo)

单引号:
json.dumps()方法会自动处理：将单引号转换为双引号,会自动处理尾随逗号;将Python的True/False转换为JSON的true/false。确保格式符合JSON规范

# 单引号有dict转换为Json
userInfo = {'k': 1, }
print(json.dumps(userInfo))

！！但是，Json数据带单引号/末尾有逗号，转换会报错

userInfo_json = "{'k': 1}"
print(json.loads(userInfo_json))  # 报错：json.decoder.JSONDecodeError

1.2 将Json中的数据取出来存储为csv文件

变成这样：

	主观评分	主观评价
01_tom.png	7	ok
01_candy.png	8	just so so
02_karry.png	9	great
02_sunny.png	6	ok

json = {"01": [{"name": "01_tom.png","主观评分": "7","主观评价": "ok"},{"name": "01_candy.png","主观评分": "8","主观评价": "just so so"}],"02": [{"name": "02_karry.png","主观评分": "9","主观评价": "great"},{"name": "02_sunny.png","主观评分": "6","主观评价": "ok"}]
}if __name__ == "__main__":# 主任务进行时，把上面的json写入csv文件import pandas# 将value 组成一个新的list,列表之间可以相加newList = []# 注意遍历的不是json(字符串),而是json.values()！！for item in json.values():newList = newList + itemprint(newList)# [{'name': '01_tom.png', '主观评分': '7', '主观评价': 'ok'}, {'name': '01_candy.png', '主观评分': '8', '主观评价': 'just so so'},# {'name': '02_karry.png', '主观评分': '9', '主观评价': 'great'}, {'name': '02_sunny.png', '主观评分': '6', '主观评价': 'ok'}]# 正好满足pandas中DataFrame的二维数组pd = pandas.DataFrame(newList)pd.columns = ["", "主观评分", "主观评价"]# 写文件结束，index=False表示不写行号pd.to_csv("example.csv", index=False)

2. pandas

1. pandas是python中数据分析核心库，能够快速、灵活的对大量数据进行分析
2. pandas支持多种数据导入，支持数据合并，拆分，基本统计，时间序列分析，透视表等多种操作

series与datafame数据结构

Series

series类：一维（单类）的带索引数据结构

pandas.Series(data=None, index=None, dtype=None, name=None, copy=False, fastpath=False)

1. 创建Series对象

输出结果：第一列为索引，第二列为Series数据

import pandas as pd
sdata = pd.Series(data=['a', 'b', 'c'], index=[1, 2, 3])
print(sdata)

结果：

1    a
2    b
3    c
dtype: object

2. Series对象访问

• .iloc[] 按照位置（索引值）访问Series对象元素

print(sdata.iloc[1])    # b

• 使用标签访问（如例中：[1, 2, 3])

print(sdata[1])     # a

• 使用loc方式，只能使用标签进行访问

print(sdata.loc[2])     # b

3. 获取index和value

print(sdata.index.values)   # [1, 2, 3]
print(sdata.values)     # ['a' 'b' 'c']

Dataframe

Dataframe：多种类型的列构成的二维标签数据结构（多列）

pandas.Dataframe(Data=None, index=None, colums=None, dtype=None, copy=False)

data：一维数据或二维数据
index：行标签
columns：列标签

1. Dataframe创建

• 一行一列

import numpy as np
# numpy创建数组，np.arange(1,4)----[1,2,3]
df_data = pd.DataFrame(data=np.arange(1,4))
print(df_data)

输出

   0
0  1
1  2
2  3

• 多列

# reshape()改变数组形状---4*4
data = np.arange(16).reshape(4, 4)
df_data2 = pd.DataFrame(data=data)
print(df_data2)

输出

    0   1   2   3
0   0   1   2   3
1   4   5   6   7
2   8   9  10  11
3  12  13  14  15

• 设置index与columns

data = {'c1': [1, 2, 3], 'c2': [4, 5, 6]}
pdata = pd.DataFrame(data=data)
print(pdata)

输出：

   c1  c2
0   1   4
1   2   5
2   3   6

• 设置列标签

pdata.columns = ['a', 'b']

输出：

   a  b
0  1  4
1  2  5
2  3  6

2. DataFrame对象访问

• 获取指定列

# 获取指定列
print(pdata['a'])
# 获取多列数据
print(pdata[['a', 'b']])

输出：

0    1
1    2
2    3
Name: a, dtype: int64a  b
0  1  4
1  2  5
2  3  6
a    1
b    4
Name: 0, dtype: int64

• loc操作

# 获取第一行
print(pdata.loc[0])
# 获取指定行和列的数据
print(pdata.loc[1, ['a', 'b']])

输出：

a    1
b    4
Name: 0, dtype: int64
a    2
b    5
Name: 1, dtype: int64

• 遍历DataFrame对象

# 获取列索引值
for item in pdata:print(item)     #输出： a (换行) b# 按列遍历
for item in pdata.items():print(item)

输出：

('a', 0    1
1    2
2    3
Name: a, dtype: int64)
('b', 0    4
1    5
2    6
Name: b, dtype: int64)

# 按行遍历
for item in pdata.iterrows():print(item)

输出：

(0, a    1
b    4
Name: 0, dtype: int64)
(1, a    2
b    5
Name: 1, dtype: int64)
(2, a    3
b    6
Name: 2, dtype: int64)

3. DataFrame修改

• 修改元素

data = {'c1': [1, 2, 3], 'c2': [4, 5, 6]}
pdata1 = pd.DataFrame(data=data)
# 修改c1列的元素全部为0
pdata1['c1'] = 0
# 修改c1列为指定元素
pdata1['c1'] = [0, 1, 2]
print(pdata1)

输出：

   c1  c2
0   0   4
1   1   5
2   2   6

• DataFrame插入列和行

# 插入列
data = {'c1': [1, 2, 3], 'c2': [4, 5, 6]}
pdata = pd.DataFrame(data=data)
# 插入c3列全为0
pdata['c3'] = 0
print(pdata)

输出：

   c1  c2  c3
0   1   4   0
1   2   5   0
2   3   6   0

# 插入行
data = {'c1': [1, 2, 3], 'c2': [4, 5, 6]}
pdata = pd.DataFrame(data=data)
pdata.loc[3] = [-1, -1] # 注意个数要对应
print(pdata)

输出：

   c1  c2
0   1   4
1   2   5
2   3   6
3  -1  -1

Pandas数据导入和保存

• 读取csv文件：pd.read_csv()
• 读取excel文件：pd.read_excel()
• 读取JSON文件：pd.read_json()

# 读取excel文件
fpath = r'data\test.xlsx'
pdata = pd.read_excel(fpath)
# 读取csv文件
fpath = r'data\GDP.csv'
pdata = pd.read_csv(fpath, encoding='gbk')

• 保存为csv文件：pdata.to_csv()
• 保存为excel文件：pdata.to_excel()
• 保存为JSON格式文件：padata.to_json()

3. NumPy

NumPy（Numerial Python）的核心是创建和高效操作数组，是Python中用于科学计算的基础库

NumPy 和 Pandas 的关系:
NumPy提供基础：Pandas的底层基于NumPy数组
Pandas提供高级功能：数据标签、缺失值处理、时间序列等
协同工作：通常先用NumPy进行数值计算，再用Pandas进行数据处理

• 创建数组的基本方式

import numpy as np# 从列表创建
arr1 = np.array([1, 2, 3, 4, 5])
# 类似range()，创建0-9的数组
arr2 = np.arange(10)
# 创建2*3的全0数组
arr3 = np.zeros((2, 3), dtype=int)
# 创建2*3的全1数组
arr4 = np.ones((2, 3), dtype=int)
# 创建2*3的随机整数数组
arr5 = np.random.randint(0, 5, size=(2, 3))print("一维数组：", arr1)
print("arange创建数组：", arr2)
print("2*3的全0数组：", arr3)
print("2*3的全1数组：", arr4)
print("2*3的随机整数数组：", arr5)

一维数组： [1 2 3 4 5]
arange创建数组： [0 1 2 3 4 5 6 7 8 9]
2*3的全0数组： [[0 0 0][0 0 0]]
2*3的全1数组： [[1 1 1][1 1 1]]
2*3的随机整数数组： [[1 3 2][2 0 3]]

zeros和ones默认生成浮点数，通过dtype修改为整数
np.zeros(6) 生成六个全零一维数组，ones（）同理

• Numpy数学运算

a = np.array([1, 2, 3, 4])
b = np.array([5, 6, 7, 8])
# 向量化运算——不需要循环！！
print("相加：", a+b)
print("乘法：", a*b)
print("平方：", a**2)

输出：

相加： [ 6  8 10 12]
乘法： [ 5 12 21 32]
平方： [ 1  4  9 16]

• 数组操作

# 数组形状操作
arr = np.arange(12)
reshaped = arr.reshape(3, 4)  # 改变形状
print("重塑后的数组：", reshaped)# 数组切片和索引
print("切片：", arr[2:7])
# 获取大于5的元素
print("条件筛选：", arr[arr>5])

输出：

重塑后的数组： [[ 0  1  2  3][ 4  5  6  7][ 8  9 10 11]]
切片： [2 3 4 5 6]
条件筛选： [ 6  7  8  9 10 11]

• NumPy 与Pandas关系
  Pandas Series 底层使用NumPy数组

s = pd.Series([1, 2, 3, 4])
print(type(s.values))   # <class 'numpy.ndarray'>
print(s.values)     # [1, 2, 3, 4]

• Numpy与普通列表

对比	普通列表	NumPy
性能	慢，需要循环	快，向量化操作
内存	占用多	占用少
功能	基本操作	数学函数
数据类型	可以混合	通常同类型