【大咖・来了 第7期】10月24日晚8点观看《智能导购对话机器人实践》

常用的表格数据存储文件格式——CSV，Microsoft Excel，Google Excel 。

Python通常称为粘合语言。这个名称归因于人们逐渐开发出的大量接口库和特征，也得益于广泛的使用和良好的开源社区。这些接口库和特征能直接访问不同的文件格式，还可以访问数据源如数据库、网页和各种API。

本文的学习内容：

从谷歌表格中提取数据

• 从CSV文件中提取数据
• 从Excel文件中提取数据

本文适用于以下读者：

• Python初学者
• 必须定期处理数据的人员

由于本文附有代码，建议处在开发环境之下(建议使用JupyterNotebook / Lab)，并建立一个新的笔记本。

源代码和文件：https://github.com/FBosler/Medium-Data-Extraction

解决方法

本文将带你进入一个虚构但却可能异常熟悉的场景。你可以结合不同的数据来源去创建报告或进行分析。

注意!!!下面的示例和数据纯属虚构。

假设，你的任务是搞清楚如何提高销售团队的业绩。假设潜在的客户有相当自发的需求。这种情况发生时，销售团队将订单导入系统。然后，销售代表们会在订单交付时安排一个会议。具体日期有时在交付期之前，有时在交付期之后。你的销售代表有一笔费用预算，会在开会期间支付餐费。他们负责报销这笔费用，并将发票交给会计团队处理。在潜在客户决定是否要接受报价后，销售代表会跟踪订单是否达成。

可使用以下三个资料来源进行分析:

• 100,000 份订单 (Google表格)
• 约50,000张餐费发票(Excel文件)
• 负责公司及销售代表名单(CVS文件)

获取谷歌表格数据

访问谷歌表格是这三种方法中最复杂的，因为你需要在使用谷歌表格API前设置一些证书。理论上，你可以获取一个公开可用的谷歌表(即提取源HTML代码)但必须使用Beautiful Soup之类的工具进行大量数据操作，才能将HTML转储转换为有用的内容。我确实尝试过，但是结果很糟糕，不值得一试。所以，API就是如此。此外，还将使用gspread无缝转换数据分析DataFrame。

获取OAuth2证书

前往谷歌开发人员控制台，创建一个新项目(或选择现有的项目)。点击“创建项目”。如果公司使用谷歌邮件，可将其更改为私人帐户，以避免潜在的权限冲突。

为项目命名(名称无关紧要，此处将其命名为媒体数据提取)。

点击APIs & Services ，前往library。

启用谷歌Sheets API。单击结果，并在如下页面上单击启用 API。

创建一个服务帐户和密钥文件。服务帐户是用于程序访问的专用帐户，访问权限有限。服务帐户可以而且应该通过有尽可能多的特定权限项目进行设置，当前的任务也需要如此。

创建JSON(另一种文件格式)密钥文件。在角色上，选择“Project -> Viewer”。

如果还没有在前面的步骤中设置角色请立即设置。

注意：设置为“Viewer”会存在一些限制。如果希望以编程方式创建谷歌表格，则必须选择不同的设置。

然后，私有JSON密钥文件就可以下载或自动下载了。建议将该文件重命名为'Medium_Data_Extraction_Key，并将文件移动到JupyterNotebook文件夹中，以便与下面的示例无缝衔接。JSON文件包含最近创建的服务帐户证书。

非常好，就要成功了。

下载数据

首先，必须下载并安装其他软件包，在笔记本中运行以下命令。

!pip install gspread

!pip install oauth2client

其次，如果还没有移动密钥文件的话，必须确保将之前创建的JSON密钥文件移动到目前运行的木星笔记本(Jupyternotebook)文件夹中。或者，可以指定一个不同的GOOGLE_KEY_FILE路径。

 
 

  
  
from oauth2client.service_account import ServiceAccountCredentials 
  
  
import gspread 
  
  
import pandas as pd 
  
  
scope = [ 
  
  
 'https://www.googleapis.com/auth/spreadsheets', 
  
  
] 
  
  
GOOGLE_KEY_FILE='Medium_Data_Extraction_Key.json' 
  
  
credentials = ServiceAccountCredentials.from_json_keyfile_name(GOOGLE_KEY_FILE, scope) 
  
  
gc = gspread.authorize(credentials) 
  
  
wokbook_key ='10HX66PbcGDvx6QKM8DC9_zCGp1TD_CZhovGUbtu_M6Y' 
  
  
workbook = gc.open_by_key(wokbook_key) 
  
  
sheet = workbook.get_worksheet(0) 
  
  
values = sheet.get_all_values() 
  
  
sales_data = pd.DataFrame(values[1:],columns=values[0]) 
  
  
WORKBOOK_KEY是为本章内容准备的谷歌表格的工作簿id。 
  
  
WORKBOOK_KEY = '10HX66PbcGDvx6QKM8DC9_zCGp1TD_CZhovGUbtu_M6Y' 
 
 

这份工作簿是公开的，如果想下载不同的数据，需要更改WORKBOOK_KEY。URL有问题的话，id通常可以在谷歌表格的最后两个反斜杠之间找到。

获取CSV数据

可以从repo以传统方式下载CSV数据，也可以使用以下代码片段进行下载。同样地，可能需要在笔记本上安装并运行缺失的请求包：

 
 

  
  
!pip install requests 
  
  
import requests 
  
  
url ='https://raw.githubusercontent.com/FBosler/Medium-Data-Extraction/master/sales_team.csv' 
  
  
res = requests.get(url, allow_redirects=True) 
  
  
withopen('sales_team.csv','wb') asfile: 
  
  
 file.write(res.content) 
  
  
sales_team = pd.read_csv('sales_team.csv') 
 
 

CSV数据的美妙之处在于Python /panda可以立即进行处理。Excel则需要额外的库。

获取Excel数据

在开始之前，很可能还要安装openpyxl和xlrd，这能让Pandas也可以打开Excel表。

!pip install openpyxl

!pip install xlrd

完成这些步骤之后，可以相同的方式获得Excel数据，并将其加载到另一个DataFrame中。

 
 

  
  
url ='https://github.com/FBosler/Medium-Data-Extraction/blob/master/invoices.xlsx?raw=true' 
  
  
res = requests.get(url, allow_redirects=True) 
  
  
withopen('invoices.xlsx','wb') asfile: 
  
  
 file.write(res.content) 
  
  
invoices = pd.read_excel('invoices.xlsx') 
 
 

大功告成!已经创建了三个不同的Pandas数据帧，并且可以在同一个Jupyter notebook中进行访问:

• sales_data
• sales_team
• invoices