Python数据导入代码

在Python中，数据导入是非常常见的任务，因为许多数据分析和机器学习项目都会涉及到从各种数据源读取数据。Python提供了多种内置模块来处理不同格式的数据导入：

1. **CSV（Comma Separated Values）文件**：使用`csv`模块或第三方库`pandas`的`read_csv()`函数，如：

   import csv
   data = list(csv.reader(open('data.csv', 'r')))

或

   import pandas as pd
   data_df = pd.read_csv('data.csv')

2. **Excel（.xls, .xlsx）文件**：pandas的`read_excel()`函数：

   import pandas as pd
   data_df = pd.read_excel('data.xlsx')

3. **JSON文件**：使用`json`模块或`pandas`的`read_json()`：

   import json
   with open('data.json') as file:
       data = json.load(file)

或

   import pandas as pd
   data_df = pd.read_json('data.json')

4. **SQL数据库**：使用`sqlite3`, `psycopg2` (PostgreSQL), `pyodbc` (ODBC)等库，具体取决于数据库类型：

   import sqlite3
   conn = sqlite3.connect('data.db')
   cursor = conn.cursor()
   cursor.execute("SELECT * FROM table")
   data = cursor.fetchall()

5. **XML文件**：`xml.etree.ElementTree`库可以用来解析XML：

   import xml.etree.ElementTree as ET
   tree = ET.parse('data.xml')
   root = tree.getroot()
   data = [item.text for item in root.findall('.//element')]

6. **CSV.gz / ZIP压缩文件**：可以先解压再导入，或者使用`pandas`的`read_csv`支持直接处理压缩文件：

   import gzip
   with gzip.open('data.csv.gz', 'rt') as f:
       data_df = pd.read_csv(f)

7. **网络数据（API）**：`requests`库可以获取HTML、JSON等格式的网络数据，然后用相应的方法解析：

   import requests
   response = requests.get('https://api.example.com/data')
   data = response.json()

相关问题--:
1. Python如何导入大型CSV文件并分块处理？
2. 如何在Python中处理CSV文件中的缺失值？
3. 对于JSON格式的数据，如何转换为pandas DataFrame？