Data Processing in Python

Präsentation

Wir haben nun einige Erfahrung gesammelt, um mit Tabellenprogrammen Daten zu bearbeiten und darzustellen. Aber was, wenn wir mehr Daten haben, als Excel darstellen kann?

Wieviel ist viel? 1000?

Finde heraus, bei wie vielen Zeilen Excel oder Google Sheets in die Knie gehen.

Grossen Datenmengen sind natürlich nur ein Grund, weshalb wir mit einem Programm Daten lesen und schreiben wollen. Andere Gründe: wir wollen Benutzerdaten lesen oder speichern können, den Programmzustand abspeichern (und beim Neustart wieder einlesen), etc.

Wie lesen wir Daten in einer Text-Datei?

# Opens a file for reading (and closes it again after the 'with').
with open('dateiname.txt', 'r') as infile:
    count = 0
    # Loops over all lines in the file
    for line in infile:
        count += 1
    print(count)

• Wenn Dateien gelesen oder geschrieben werden, müssen sie beim Betriebssystem reserviert werden. Mit with wird sichergestellt, dass die Datei nicht offen bleibt sondern nach dem Lesevorgang wieder geschlossen wird.
• Die Datei (hier 'dateiname.txt') muss sich im gleichen Ordner befinden wie die Python-Datei.
• 'r' bedeutet read, dass die Textdatei nur gelesen und nicht verändert wird.

Lade die Datei gemeinden.csv herunter und speichere sie im Ordner, wo du dein Python-Programm abspeicherst. Verwende obigen Python-Code, um herauszufinden, wieviel Zeilen die Datei hat .

Schreiben funktioniert ganz ähnlich wie lesen, aber als zweites Argument muss 'w' (für write) angegeben werden:

with open('dateiname.txt', 'w') as outfile:
    for i in range(10):
        line = "Zeile " + str(i) + "\n"
        outfile.write(line)

Beachte:

• str() verwandelt die Zahl in einen Text.
• '\n' ist der ASCII-Code für einen Zeilenumbruch.

Beschreibe eine Datei mit einigen Zeilen. Es ist ungünstig, mehr als einige zehntausend Zeilen zu schreiben…

Die Datei gemeinden.csv ist im Comma-Separated-Values Format gespeichert: Die Daten sind ganz ähnlich gespeichert wie in einer Tabelle und können auch mit Excel und Sheets geöffnet werden. Jede Zeile entspricht einer Zeile der Tabelle; die Spalten sind meist mit Kommas voneinander getrennt. Manchmal werden aber auch Semikolons oder ein Tabulator (\t) als Trennzeichen verwendet.

Oft werden in der ersten Zeile die Namen der abgespeicherten Werte festgelegt:

Gemeinde,Kanton,Einwohner,Fläche
Aadorf,TG,9216,19.93
Aarau,AG,21726,12.36
...

Wollen wir eine Zeile in die einzelnen Werte aufspalten, müssen wir dafür ein paar String-Operationen kennen:

• split(char) erzeugt aus einem String eine Liste von Werten, die mit dem angegebenen Trennzeichen abgetrennt sind:
  • "Aarau,AG,21726,12.36".split(',') erzeugt die Liste ["Aarau","AG","21726","12.36"]
• strip() gibt den selben String zurück, aber ohne Leerschläge an beiden Enden.

Wandle den Code aus Aufgabe 2 so ab, dass jeweils der Kanton auf der Konsole ausgegeben wird:

• Jede Zeile wird mit values = line.split(',') aufgeteilt.
• Mit print(values[1]) wird der Kanton (die zweite Spalte) ausgegeben.
• Wieviele Gemeinden gibt es im Kanton Thurgau? Wieviele im Kanton Bern?

with open('gemeinden.csv', 'r') as infile:
    be = 0
    tg = 0
    for line in infile:
        tokens = line.split(',')
        canton = tokens[1]
        if canton == 'TG':
            tg = tg + 1
        elif canton == 'BE':
            be = be + 1
    print("Bern", be)
    print("Thurgau", tg)

Alles, was wir aus der Textdatei lesen, ist… well, Text. Damit wir mit den Werten rechnen können, müssen wir die Strings umwandeln. Dazu verwenden wir die folgenden eingebauten Funktionen:

• int(string) wandelt einen String in eine Ganzzahl (integer) um.
• float(string) wandelt einen String in eine reelle Zahl (floating point number - Fliesskommazahl) um.

Allerdings funktioniert das nur, wenn der String auch wirklich eine Zahl darstellt. Sonst wird eine Exception geworfen; wir können sie mit try...except auffangen:

try:
    my_number = int("abc")  # may throw an exception
    print(my_number)        # only executes if the above was successful
except ValueError:
    pass                    # executed if an exception was thrown

Benütze try...except um in deinem Code die Bevölkerung und die Fläche der Gemeinden auszulesen.

• welche Spalten (Indices) gehören zu diesen Werten?
• verwendest du int() oder float()?

Schreibe Python-Code, um die folgenden Fragen zu beantworten:

• Was ist die Gemeinde mit der kleinsten Bevölkerungszahl?
• Welche Gemeinde hat die grösste Fläche?
• Wieviele Einwohner hat die Schweiz?

Lösung:

def find_smallest_population():
    with open('gemeinden.csv') as towns:
        # Search for the smallest, so start out with a value larger than any expected.
        min_pop = 1000000
        town = None
        for line in towns:
            cells = line.split(',')
            try:
                # Population is in the third column, and it is an integer.
                population = int(cells[2])
                if population < min_pop:
                    # We found a town smaller than the currently known smallest.
                    min_pop = population
                    town = cells[0]
            except ValueError:
                pass
        return town, min_pop
 
print("Smallest town: ", find_smallest_population())

def find_smallest_population():
    with open('gemeinden.csv') as towns:
        # Search for the smallest, so start out with a value larger than any expected.
        min_pop = 1000000
        town = None
        for line in towns:
            cells = line.split(',')
            try:
                # Population is in the third column, and it is an integer.
                population = int(cells[2])
                if population < min_pop:
                    # We found a town smaller than the currently known smallest.
                    min_pop = population
                    town = cells[0]
            except ValueError:
                pass
        return town, min_pop
 
print("Smallest town: ", find_smallest_population())
 
def find_largest_area():
    with open('gemeinden.csv') as towns:
        # We search for the largest, so start with a small value.
        max_area = 0
        town = None
        for line in towns:
            cells = line.split(',')
            try:
                # Area is in the fourth column, and it is a floating point number.
                area = float(cells[3])
                if area > max_area:
                    # Found a town with larger area than the largest known so far.
                    max_area = area
                    town = cells[0]
            except ValueError:
                pass
        return town, max_area
 
print("Largest area", find_largest_area())

Erweitere den Code, um folgende Fragen zu beantworten:

• Welches ist die Thurgauer Gemeinde mit den wenigsten Einwohnern?
• Was ist die Gesamtfläche aller Tessiner Gemeinden?
• Wieviele Gemeinden hat der Kanton Glarus?

def summarize_canton(canton):
    with open('gemeinden.csv', 'r') as infile:
        smallest_pop = 50000
        largest_pop = 0
        smallest_area = 50000
        largest_area = 0
        sum_pop = 0
        sum_area = 0
        count = 0
        smallest_area_town = None
        largest_area_town = None
        smallest_pop_town = None
        largest_pop_town = None
        for line in infile:
            values = line.split(',')
            name = values[0]
            ca = values[1]
            if ca == canton:
                try:
                    count += 1
                    population = int(values[2])
                    area = float(values[3])
                    if population < smallest_pop:
                        smallest_pop = population
                        smallest_pop_town = name
                    if population > largest_pop:
                        largest_pop = population
                        largest_pop_town = name
                    if area < smallest_area:
                        smallest_area = area
                        smallest_area_town = name
                    if area > largest_area:
                        largest_area = area
                        largest_area_town = name
 
                    sum_pop += population
                    sum_area += area
                except ValueError:
                    pass
 
        print("Summary for", canton)
        print("Total population:", sum_pop)
        print("Total area:",  round(sum_area))
        print("Number of towns:", count)
 
        print("Largest population:", largest_pop_town, largest_pop)
        print("Largest area:", largest_area_town, largest_area)
        print("Smallest population:", smallest_pop_town, smallest_pop)
        print("Smallest area:", smallest_area_town, smallest_area)
 
summarize_canton('TG')
summarize_canton('TI')
summarize_canton('GL')

Weiter mit Dictionaries.