【数据处理】数据处理，不得不会的库：Tablib

原创

Carl_奕然 2024-11-27 17:54:24 ©著作权

文章标签 python 数据分析数据库数据数据集 文章分类 HarmonyOS 后端开发

©著作权归作者所有：来自51CTO博客作者Carl_奕然的原创作品，请联系作者获取转载授权，否则将追究法律责任

数据处理必会之Tablib

1、引言
2、Tablib

2.1 定义
2.2 安装
2.3 常用方法
2.4 与Pandas对比

2.4.1 优点
2.4.2 缺点

2.5 代码示例

3、总结

1、引言

小屌丝：鱼哥， tablib是啥？

小鱼：这是一个库

小屌丝：这还用你说

小鱼：那你还问我？

小屌丝：我的意思，你能不能给我讲一讲tablib库

小鱼：这个… 今天怎么突然感觉有些冷

小屌丝：… 老规矩，讲完了，我们泡澡

小鱼：又让我去泡澡，你说说，我都不好意思拒绝

小屌丝：… 你可以选择拒绝

小鱼：算了，不拒绝了，不勉为其难了。

小屌丝：那你给我普及一下吧

【数据处理】数据处理，不得不会的库：Tablib_数据库

2、Tablib

2.1 定义

Tablib是一个功能强大且易于使用的Python库，它专为处理各种数据格式而设计，包括Excel、CSV、JSON、YAML等。

Tablib不仅支持数据的导入和导出，还提供数据转换、过滤、合并等操作，极大地简化了数据处理任务。

无论是数据科学家、数据分析师还是开发人员，Tablib都能成为他们处理数据的得力助手。

Tablib的核心原理是围绕其Dataset对象展开的。

Dataset对象类似于一个电子表格，包含行和列的结构化数据。
用户可以通过操作Dataset对象来添加、修改、删除数据，以及执行各种数据转换和操作。
Tablib还提供了丰富的API接口，让用户能够以编程方式轻松地对数据进行导入和导出操作。

2.2 安装

老规矩， pip安装

pip install tablib

其它安装方式，直接看这两篇:

《Python3，选择Python自动安装第三方库，从此跟pip说拜拜！！》
《Python3：我低调的只用一行代码，就导入Python所有库！》

2.3 常用方法

数据导入和导出：

load(data): 从字符串或文件对象中加载数据。
export(format): 将数据集导出为指定格式（如CSV、Excel、JSON等）。

数据添加和修改：

append(row): 向数据集中添加一行数据。
insert_row(index, row): 在指定位置插入一行数据。
update(row, values): 更新指定行的数据。

数据筛选和排序：

filter(function): 根据提供的函数过滤数据。
sort(by, reverse=False): 对数据集进行排序。

数据合并和拆分：

stack(other): 将另一个数据集合并到当前数据集中。
hstack(other): 水平合并另一个数据集。

数据统计和计算：

可以通过转换为Pandas的DataFrame对象来进行更复杂的统计和计算。

2.4 与Pandas对比

2.4.1 优点

多格式支持：Tablib能够读取和写入多种数据格式，包括Excel、CSV、JSON、YAML等，这使得它在处理不同来源和格式的数据时具有很高的灵活性。
易用性：Tablib提供了简洁明了的API接口，使得用户可以轻松上手并进行基本的数据处理操作。其数据集（Dataset）对象的设计也符合直觉，方便用户理解和使用。
轻量级：相比于Pandas等重量级数据处理库，Tablib的代码更加轻量，依赖更少，适合在需要快速部署和轻量级数据处理任务的场景中使用。

2.4.2 缺点

功能有限：虽然Tablib支持多种数据格式，但在数据处理和分析方面的功能相对有限。它更侧重于数据的导入导出和格式转换，而不是提供全面的数据分析工具。
性能瓶颈：在处理大型数据集时，Tablib的性能可能会成为瓶颈。由于其轻量级的设计，它可能不如Pandas等专门的数据分析工具在处理速度和效率上表现优异。
社区支持：与Pandas等流行的数据处理库相比，Tablib的社区支持相对较小。这意味着在遇到问题时，用户可能难以找到足够的资源和帮助。

2.5 代码示例

代码示例：

# -*- coding:utf-8 -*-
# @Time   : 2024-11-05
# @Author : Carl_DJ

import tablib

# 创建一个数据集
data = tablib.Dataset()
data.headers = ['Name', 'Age', 'Country']
data.append(['Alice', 25, 'USA'])
data.append(['Bob', 30, 'Canada'])
data.append(['Charlie', 22, 'UK'])

# 导出为CSV文件
with open('data.csv', 'w', encoding='utf-8', newline='') as f:
    f.write(data.export('csv'))

# 导出为Excel文件
with open('data.xlsx', 'wb') as f:
    f.write(data.export('xlsx'))

# 数据筛选：过滤年龄大于25的数据
filtered_data = data.filter(lambda row: row['Age'] > 25)
print(filtered_data)

# 数据合并：创建两个数据集并合并
data1 = tablib.Dataset()
data1.headers = ['Name', 'Age']
data1.append(['Alice', 25])
data1.append(['Bob', 30])

data2 = tablib.Dataset()
data2.headers = ['Name', 'Country']
data2.append(['Charlie', 'USA'])
data2.append(['David', 'Canada'])

merged_data = data1.stack(data2)
print(merged_data)