Coursera 笔记

Module 01 · Defining Data Science and What Data Scientists Do

Understanding Different Types of File Formats数据文件类型与格式：数据专业人士指南

Coursera ↗

作为一名数据专业人士，您将处理各种数据文件类型和格式。了解文件格式的底层结构及其优势与局限性至关重要，这将帮助您为数据和性能需求做出正确的格式选择。

本视频涵盖的标准文件格式包括：

  • 定界文本文件格式（Delimited text file formats）
  • Microsoft Excel 开放式 XML 电子表格（XLSX）
  • 可扩展标记语言（XML）
  • 便携式文档格式（PDF）
  • JavaScript 对象表示法（JSON）

1. 定界文本文件格式 (Delimited Text Files)

定界文本文件是以文本形式存储数据的文件，其中每行（或行）的值由一个定界符分隔。

特点 描述
定界符 用于指定独立实体或值之间边界的一个或多个字符序列。
常见分隔符 逗号、制表符（Tab）、冒号、垂直条（|）
常见文件类型 逗号分隔值（CSVs）和制表符分隔值（TSVs）。
文件结构 每行代表一个记录，包含一组由定界符分隔的值。第一行通常用作列标题。
数据类型 每列可以包含不同类型的数据（例如：日期型、字符串型、整数型）。
优势 允许任意长度的字段值；提供简单明了的信息模式；几乎可以被所有现有应用处理。
TSV 作为替代 当文本数据中存在字面逗号而无法用作定界符时，TSVs 是 CSVs 的替代方案（因为制表符在普通文本中不常见）。

2. Microsoft Excel 开放式 XML 电子表格 (XLSX)

XLSX 是一种 Microsoft Excel 开放式 XML 文件格式，属于电子表格文件格式。

  • 底层技术： 这是由微软创建的基于 XML 的文件格式。
  • 结构： 一个 .XLSX 文件（也称为工作簿）可以包含多个工作表。每个工作表组织成行和列，交汇点是单元格，每个单元格包含数据。
  • 开放性： 使用开放文件格式，通常可被大多数其他应用程序访问。
  • 功能与安全： 可以使用和保存 Excel 中所有可用的功能，并且被认为是更安全的文件格式之一，因为它不能保存恶意代码。

3. 可扩展标记语言 (XML)

XML 是一种具有一套数据编码规则的标记语言（markup language）。

  • 可读性： 文件格式人类和机器都可读。
  • 用途： 旨在用于在互联网上传输信息，具有自描述性。
  • 与 HTML 的区别： 与 HTML 相似，但 XML 不使用像 HTML 那样的预定义标签。
  • 互操作性： 平台无关和编程语言无关，因此简化了不同系统之间的数据共享。

4. 便携式文档格式 (PDF)

PDF 是由 Adobe 开发的文件格式，旨在使文档的呈现独立于应用软件、硬件和操作系统。

  • 一致性： 可以在任何设备上以相同的方式查看。
  • 常见用途： 经常用于法律和财务文档，也可用于填写数据（例如表格）。

5. JavaScript 对象表示法 (JSON)

JSON 是一种基于文本的开放标准，专为在网络上传输结构化数据而设计。

  • 格式特点： 它是一种语言无关的数据格式，可以在任何编程语言中读取。
  • 优势：
    • 易于使用。
    • 兼容性广（支持各种浏览器）。
    • 被认为是共享任何大小和类型（甚至是音频和视频）数据的最佳工具之一。
  • 应用： 许多 API 和 Web 服务返回的数据格式都是 JSON。

下一阶段： 在下一个视频中，您将学习不同的数据来源。