Tablib是一个Python的第三方数据导出模块，它支持以下文件格式的导出：
- Excel
- JSON
- YAML
- Pandas DataFrames
- HTML
- Jira
- TSV
- ODS
- CSV
- DBF
这个工具能做到的东西，Pandas都能做到，但是有时候Pandas实在是过重了，如果我们只想实现轻量数据的导出，而非上千万级别的数据导出，该工具更能体现它的优势。
1.准备
开始之前，你要确保Python和pip已经成功安装在电脑上，如果没有，请访问这篇文章：超详细Python安装指南 进行安装。
Windows环境下打开Cmd(开始—运行—CMD)，苹果系统环境下请打开Terminal(command+空格输入Terminal)，准备开始输入命令安装依赖。
当然，我更推荐大家用VSCode编辑器，把本文代码Copy下来，在编辑器下方的终端装依赖模块，多舒服的一件事啊：Python 编程的最好搭档—VSCode 详细指南。
输入以下命令安装本文所需要的依赖模块:
pip install tablib
看到 Successfully installed xxx 则说明安装成功。
2.基本使用
这一块，官方文档已经有详细介绍，这里转载自xin053的翻译与介绍，有部分修改。
创建Dataset对象
import tablib
headers = ('first_name', 'last_name')
data = [
('John', 'Adams'),
('George', 'Washington')
]
data = tablib.Dataset(*data, headers=headers)这样相当于构造了一张表：
| first_name | last_name |
|---|---|
| John | Adams |
| George | Washington |
其中最重要的就是Dataset对象，当然该对象的创建也可以不输入参数，直接
data = tablib.Dataset()
创建出一个Dataset对象，然后通过
data.headers = ['first_name', 'last_name']
设置表头，当然也可以使用
data.headers = ('first_name', 'last_name')因为不管是用列表还是元组，tablib都会自动帮我们处理好，我们可以通过
data.append(['Henry', 'Ford'])
或者
data.append(('Henry', 'Ford'))来向表中添加一条记录。
我们可以通过data.dict来查看目前表中的所有数据：
>>> data.dict
[OrderedDict([('First Name', 'John'), ('Last Name', 'Adams')]), OrderedDict([('First Name', 'George'), ('Last Name', 'Washington')]), OrderedDict([('First Name', 'Henry'), ('Last Name', 'Ford')])]也可以通过print(data)显示更人性化的输出：
>>> print(data) First Name|Last Name ----------|---------- John |Adams George |Washington Henry |Ford
Dataset属性
data.height输出当前记录(行)总数data.width输出当前属性(列)总数
>>> print(data) First Name|Last Name|age ----------|---------|--- John |Adams |90 Henry |Ford |83 >>> data.height 2 >>> data.width 3
常用方法
详情可见官方文档：
https://tablib.readthedocs.io/en/stable/api/#tablib.Dataset.remove_duplicates
lpop(),lpush(row, tags=[]),lpush_col(col, header=None)
是对列的相关操作pop(),rpop(),rpush(row, tags=[]),rpush_col(col, header=None)
是对行的相关操作 remove_duplicates() 去除重复的记录 sort(col, reverse=False) 根据列进行排序 subset(rows=None, cols=None) 返回子Dataset wipe() 清空Dataset，包括表头和内容
新增列
>>> data.append_col((90, 67, 83), header='age')
这样表就变成了：
| first_name | last_name | age |
|---|---|---|
| John | Adams | 90 |
| George | Washington | 67 |
| Henry | Ford | 83 |
>>> print(data) First Name|Last Name |age ----------|----------|--- John |Adams |90 George |Washington|67 Henry |Ford |83
对记录操作
>>> print(data[:2])
[('John', 'Adams', 90), ('George', 'Washington', 67)]
>>> print(data[2:])
[('Henry', 'Ford', 83)]对属性操作
>>> print(data['first_name']) ['John', 'George', 'Henry'] >>> print(data) First Name|Last Name |age ----------|----------|--- John |Adams |90 George |Washington|67 Henry |Ford |83 >>> data.get_col(1) ['Adams', 'Washington', 'Ford']
删除记录
>>> del data[1] >>> print(data) First Name|Last Name|age ----------|---------|--- John |Adams |90 Henry |Ford |83
可见记录也是从0开始索引的
删除记录操作也支持切片
删除属性
del data['Col Name']
导入数据
imported_data = tablib.Dataset().load(open('data.csv').read())导出数据
csv
>>> data.csv
'First Name,Last Name,age\r\nJohn,Adams,90\r\nHenry,Ford,83\r\n'
>>> print(data.csv)
First Name,Last Name,age
John,Adams,90
Henry,Ford,83
>> f = open('data.csv', 'w', encoding='utf-8')
>> f.write(data.csv)
>> f.close() 这样便可成功将数据导出为csv文件。
json
>>> data.json
'[{"First Name": "John", "Last Name": "Adams", "age": 90}, {"First Name": "Henry", "Last Name": "Ford", "age": 83}]'
>>> print(data.json)
[{"First Name": "John", "Last Name": "Adams", "age": 90}, {"First Name": "Henry", "Last Name": "Ford", "age": 83}]
>> f = open('data.json', 'w', encoding='utf-8')
>> f.write(data.json)
>> f.close() yaml
>>> data.yaml
'- {First Name: John, Last Name: Adams, age: 90}\n- {First Name: Henry, Last Name: Ford, age: 83}\n'
>>> print(data.yaml)
- {First Name: John, Last Name: Adams, age: 90}
- {First Name: Henry, Last Name: Ford, age: 83}
>> f = open('data.yaml', 'w', encoding='utf-8')
>> f.write(data.yaml)
>> f.close() excel
>>> with open('people.xls', 'wb') as f:
... f.write(data.xls) 注意要以二进制形式打开文件
dbf
>>> with open('people.dbf', 'wb') as f:
... f.write(data.dbf) 高级使用
动态列
可以将一个函数指定给Dataset对象
import random
def random_grade(row):
"""Returns a random integer for entry."""
return (random.randint(60,100)/100.0)
data.append_col(random_grade, header='Grade')
>>> data.yaml
- {Age: 22, First Name: Kenneth, Grade: 0.6, Last Name: Reitz}
- {Age: 20, First Name: Bessie, Grade: 0.75, Last Name: Monke} 函数的参数row传入的是每一行记录，所以可以根据传入的记录进行更一步的计算：
def guess_gender(row):
"""Calculates gender of given student data row."""
m_names = ('Kenneth', 'Mike', 'Yuri')
f_names = ('Bessie', 'Samantha', 'Heather')
name = row[0]
if name in m_names:
return 'Male'
elif name in f_names:
return 'Female'
else:
return 'Unknown'
>>> data.yaml
- {Age: 22, First Name: Kenneth, Gender: Male, Last Name: Reitz}
- {Age: 20, First Name: Bessie, Gender: Female, Last Name: Monke}
tag
可以给记录添加tag，之后通过tag来过滤记录：
students = tablib.Dataset()
students.headers = ['first', 'last']
students.rpush(['Kenneth', 'Reitz'], tags=['male', 'technical'])
students.rpush(['Bessie', 'Monke'], tags=['female', 'creative'])
>>> students.filter(['male']).yaml
- {first: Kenneth, Last: Reitz}3.举个小例子
现在有一个场景，我们需要将一份股票数据csv文件转化为json数据：
你只需要这样操作：
import tablib
data = tablib.Dataset().load(open('1.csv').read())
with open('data.json', 'w', encoding='utf-8') as f:
f.write(data.json)即可将其转化为json格式，它的特点在于轻量、简单。Pandas如果用来做这样的转化，则有些大材小用。
我们的文章到此就结束啦，如果你喜欢今天的 Python 教程，请持续关注Python实用宝典。
有任何问题，可以在公众号后台回复：加群，回答相应验证信息，进入互助群询问。
原创不易，希望你能在下面点个赞和在看支持我继续创作，谢谢！
Python实用宝典 ( pythondict.com )
不只是一个宝典
欢迎关注公众号：Python实用宝典
