Menggunakan CSV sebagai alat IO untuk operasi baca dan tulis dalam panda pemprosesan data Python

Prakata

pandas IO API ialah satu set fungsi reader peringkat atas, seperti pandas.read_csv(), akan mengembalikan objek pandas.

dan fungsi writer yang sepadan ialah kaedah objek, seperti DataFrame.to_csv().

Nota: StringIO akan digunakan kemudian, sila pastikan anda mengimport

# python3
from io import StringIO
# python2
from StringIO import StringIO

1 CSV dan fail teks

Fungsi utama untuk membaca fail teks ialah read_csv()

1 Analisis parameter

read_csv() Menerima parameter biasa berikut:

1.1 Asas

filepath_or_buffer: Pembolehubah

<>

• boleh menjadi laluan fail, fail URL atau sebarang objek dengan fungsi read()

sep: str, lalai ,, untuk read_table ialah t

• pembatas fail Jika ditetapkan kepada None, enjin C tidak boleh mengesan pembatas secara automatik, manakala enjin Python boleh melepasi. penghidu terbina dalam Alat ini secara automatik mengesan pembatas.

• Selain itu, jika panjang aksara yang ditetapkan lebih besar daripada 1 dan bukan 's+', maka rentetan itu akan dihuraikan sebagai ungkapan biasa dan enjin penghuraian Python terpaksa digunakan.

• seperti '\r\t', tetapi ungkapan biasa cenderung mengabaikan data yang dipetik dalam teks.

delimiter: str, lalai kepada parameter alternatif None

• sep, dengan fungsi yang sama seperti

1.2 Lajur, indeks, nama

header: int atau list, lalainya ialah 'infer'

• Nombor baris yang digunakan sebagai nama lajur Kelakuan lalai adalah untuk membuat kesimpulan nama lajur:

• Jika parameter names tidak dinyatakan, tingkah laku itu. adalah serupa dengan header=0, iaitu membaca daripada Baris pertama memulakan inferens.

• Jika names ditetapkan, berkelakuan sama seperti header=None.

• Anda juga boleh menetapkan senarai untuk header untuk mewakili nama lajur berbilang peringkat. Jika [0,1,3], baris yang tidak ditentukan (di sini 2) akan dilangkau, jika skip_blank_lines=True, baris kosong dan baris ulasan akan dilangkau. Oleh itu header=0 tidak mewakili baris pertama fail

names: array-like, lalai ialah None

• diperlukan Senarai nama lajur untuk ditetapkan Jika fail tidak mengandungi baris pengepala, header=None harus dihantar secara eksplisit dan tiada nilai pendua dibenarkan dalam senarai ini.

index_col: int, str, sequence of int/str, False, lalai ialah None

• Lajur yang akan diindeks oleh DataFrame boleh diberikan sebagai nama rentetan atau indeks lajur. Jika senarai ditentukan, gunakan MultiIndex

• Nota: index_col=False boleh digunakan untuk memaksa pandas supaya tidak menggunakan lajur pertama sebagai indeks. Contohnya, apabila fail anda adalah fail buruk dengan pembatas di hujung setiap baris.

usecols: senarai atau fungsi, lalainya ialah None

• hanya membaca lajur yang ditentukan. Jika senarai, semua elemen mestilah sama ada kedudukan (iaitu indeks integer ke dalam lajur fail) atau rentetan yang sepadan dengan nama lajur yang dibekalkan dengan parameter names atau disimpulkan daripada baris pengepala dokumen.

• Tertib dalam senarai akan diabaikan, iaitu, usecols=[0, 1] bersamaan dengan [1, 0]

• Jika ia boleh dipanggil fungsi, ia akan Mengembalikan nama fungsi boleh panggil yang dikira sebagai True berdasarkan nama lajur :

  , lalai ialah

Jika data yang dihuraikan mengandungi hanya satu lajur, kemudian kembalikan squeezebooleanFalse

• :

  , lalai kepada Series

Apabila tiada tajuk , awalan ditambahkan pada nombor lajur yang dijana secara automatik, contohnya, prefix bermaksud str, None ...

• 'X': X0, lalai ialah X1

  • 重复的列将被指定为 'X','X.1'…'X.N'，而不是 'X'... 。如果在列中有重复的名称，传递 False 将导致数据被覆盖

  1.3 常规解析配置

  dtype: 类型名或类型字典（column -> type）, 默认为 None

  • 数据或列的数据类型。例如。 {'a'：np.float64，'b'：np.int32}

  engine: {'c', 'python'}

  • 要使用的解析器引擎。C 引擎更快，而 Python 引擎目前功能更完整

  converters: dict, 默认为 None

  • 用于在某些列中对值进行转换的函数字典。键可以是整数，也可以是列名

  true_values: list, 默认为 None

  • 数据值解析为 True

  false_values: list, 默认为 None

  • 数据值解析为 False

  skipinitialspace: boolean, 默认为 False

  • 跳过分隔符之后的空格

  skiprows: 整数或整数列表, 默认为 None

  • 在文件开头要跳过的行号（索引为 0）或要跳过的行数

  • 如果可调用函数，则对索引应用函数，如果返回 True，则应跳过该行，否则返回 False

  In [6]: data = "col1,col2,col3\na,b,1\na,b,2\nc,d,3"
  In [7]: pd.read_csv(StringIO(data))
  Out[7]: 
    col1 col2  col3
  0    a    b     1
  1    a    b     2
  2    c    d     3
  In [8]: pd.read_csv(StringIO(data), skiprows=lambda x: x % 2 != 0)
  Out[8]: 
    col1 col2  col3
  0    a    b     2

  skipfooter: int, 默认为 0

  • 需要跳过文件末尾的行数（不支持 C 引擎）

  nrows: int, 默认为 None

  • 要读取的文件行数，对于读取大文件很有用

  memory_map: boolean, 默认为 False

  • 如果为 filepath_or_buffer 参数指定了文件路径，则将文件对象直接映射到内存中，然后直接从那里访问数据。使用此选项可以提高性能，因为不再有任何 I/O 开销

  1.4 NA 和缺失数据处理

  na_values: scalar, str, list-like, dict, 默认为 None

  • 需要转换为 NA 值的字符串

  keep_default_na: boolean, 默认为 True

  • 解析数据时是否包含默认的 NaN 值。根据是否传入 na_values，其行为如下

  • keep_default_na=True, 且指定了 na_values, na_values 将会与默认的 NaN 一起被解析

  • keep_default_na=True, 且未指定 na_values, 只解析默认的 NaN

  • keep_default_na=False, 且指定了 na_values, 只解析 na_values 指定的 NaN

  • keep_default_na=False, 且未指定 na_values, 字符串不会被解析为 NaN

  注意：如果 na_filter=False，那么 keep_default_na 和 na_values 参数将被忽略

  na_filter: boolean, 默认为 True

  • 检测缺失值标记（空字符串和 na_values 的值）。在没有任何 NA 的数据中，设置 na_filter=False 可以提高读取大文件的性能

  skip_blank_lines: boolean, 默认为 True

  • 如果为 True，则跳过空行，而不是解释为 NaN 值

  1.5 日期时间处理

  parse_dates: 布尔值、列表或嵌套列表、字典, 默认为 False.

  • 如果为 True -> 尝试解析索引

  • 如果为 [1, 2, 3] -> 尝试将 1, 2, 3 列解析为分隔的日期

  • 如果为 [[1, 3]] -> 将 1, 3 列解析为单个日期列

  • 如果为 {'foo': [1, 3]} -> 将 1, 3 列作为日期并设置列名为 foo

  infer_datetime_format: 布尔值, 默认为 False

  • 如果设置为 True 且设置了 parse_dates，则尝试推断 datetime 格式以加快处理速度

  date_parser: 函数, 默认为 None

  • 用于将字符串序列转换为日期时间实例数组的函数。默认使用 dateutil.parser.parser 进行转换，pandas 将尝试以三种不同的方式调用 date_parser

  • 传递一个或多个数组（parse_dates 定义的列）作为参数;

  • 将 parse_dates 定义的列中的字符串值连接到单个数组中，并将其传递;

  • 使用一个或多个字符串(对应于 parse_dates 定义的列)作为参数，对每一行调用 date_parser 一次。

  dayfirst: 布尔值, 默认为 False

  • DD/MM 格式的日期

  cache_dates: 布尔值, 默认为 True

  • 如果为 True，则使用唯一的、经过转换的日期缓存来应用 datetime 转换。

  • 在解析重复的日期字符串，特别是带有时区偏移量的日期字符串时，可能会显著提高速度。

  1.6 迭代

  iterator: boolean, 默认为 False

  • 返回 TextFileReader 对象以进行迭代或使用 get_chunk() 来获取块

  1.7 引用、压缩和文件格式

  compression: {'infer', 'gzip', 'bz2', 'zip', 'xz', None, dict}, 默认为 'infer'

  • 用于对磁盘数据进行即时解压缩。如果为 "infer"，则如果 filepath_or_buffer 是文件路径且以 ".gz"，".bz2"，".zip" 或 ".xz" 结尾，则分别使用 gzip，bz2，zip 或 xz 解压，否则不进行解压缩。

  • 如果使用 "zip"，则 ZIP 文件必须仅包含一个要读取的数据文件。设置为 None 表示不解压

  • 也可以使用字典的方式，键为 method 的值从 {'zip', 'gzip', 'bz2'} 中选择。例如

  compression={'method': 'gzip', 'compresslevel': 1, 'mtime': 1}

  thousandsstr, 默认为 None

  • 数值在千位的分隔符

  decimal: str, 默认为 '.'

  • 小数点

  float_precision: string, 默认为 None

  • 指定 C 引擎应该使用哪个转换器来处理浮点值。普通转换器的选项为 None，高精度转换器的选项为 high，双向转换器的选项为 round_trip。

  quotechar: str (长度为 1)

  • 用于表示被引用数据的开始和结束的字符。带引号的数据里的分隔符将被忽略

  comment: str, 默认为 None

  • 用于跳过该字符开头的行，例如，如果 comment='#'，将会跳过 # 开头的行

  encoding: str, 默认为 None

  • 设置编码格式

  1.8 错误处理

  error_bad_linesboolean, 默认为 True

  • 默认情况下，字段太多的行（例如，带有太多逗号的 csv 文件）会引发异常，并且不会返回任何 DataFrame。

  • 如果设置为 False，则这些坏行将会被删除

  warn_bad_linesboolean, 默认为 True

  • 如果 error_bad_lines=False 且 warn_bad_lines=True，每个坏行都会输出一个警告

  2. 指定数据列的类型

  您可以指示整个 DataFrame 或各列的数据类型

  In [9]: import numpy as np
  In [10]: data = "a,b,c,d\n1,2,3,4\n5,6,7,8\n9,10,11"
  In [11]: print(data)
  a,b,c,d
  1,2,3,4
  5,6,7,8
  9,10,11
  In [12]: df = pd.read_csv(StringIO(data), dtype=object)
  In [13]: df
  Out[13]: 
     a   b   c    d
  0  1   2   3    4
  1  5   6   7    8
  2  9  10  11  NaN
  In [14]: df["a"][0]
  Out[14]: '1'
  In [15]: df = pd.read_csv(StringIO(data), dtype={"b": object, "c": np.float64, "d": "Int64"})
  In [16]: df.dtypes
  Out[16]: 
  a      int64
  b     object
  c    float64
  d      Int64
  dtype: object

  你可以使用 read_csv() 的 converters 参数，统一某列的数据类型

  In [17]: data = "col_1\n1\n2\n'A'\n4.22"
  In [18]: df = pd.read_csv(StringIO(data), converters={"col_1": str})
  In [19]: df
  Out[19]: 
    col_1
  0     1
  1     2
  2   'A'
  3  4.22
  In [20]: df["col_1"].apply(type).value_counts()
  Out[20]: 
  <class &#39;str&#39;>    4
  Name: col_1, dtype: int64

  或者，您可以在读取数据后使用 to_numeric() 函数强制转换类型

  In [21]: df2 = pd.read_csv(StringIO(data))
  In [22]: df2["col_1"] = pd.to_numeric(df2["col_1"], errors="coerce")
  In [23]: df2
  Out[23]: 
     col_1
  0   1.00
  1   2.00
  2    NaN
  3   4.22
  In [24]: df2["col_1"].apply(type).value_counts()
  Out[24]: 
  <class &#39;float&#39;>    4
  Name: col_1, dtype: int64

  它将所有有效的数值转换为浮点数，而将无效的解析为 NaN

  最后，如何处理包含混合类型的列取决于你的具体需要。在上面的例子中，如果您只想要将异常的数据转换为 NaN，那么 to_numeric() 可能是您的最佳选择。

  然而，如果您想要强制转换所有数据，而无论类型如何，那么使用 read_csv() 的 converters 参数会更好

  注意

  在某些情况下，读取包含混合类型列的异常数据将导致数据集不一致。

  如果您依赖 pandas 来推断列的类型，解析引擎将继续推断数据块的类型，而不是一次推断整个数据集。

  In [25]: col_1 = list(range(500000)) + ["a", "b"] + list(range(500000))
  In [26]: df = pd.DataFrame({"col_1": col_1})
  In [27]: df.to_csv("foo.csv")
  In [28]: mixed_df = pd.read_csv("foo.csv")
  In [29]: mixed_df["col_1"].apply(type).value_counts()
  Out[29]: 
  <class &#39;int&#39;>    737858
  <class &#39;str&#39;>    262144
  Name: col_1, dtype: int64
  In [30]: mixed_df["col_1"].dtype
  Out[30]: dtype(&#39;O&#39;)

  这就导致 mixed_df 对于列的某些块包含 int 类型，而对于其他块则包含 str，这是由于读取的数据是混合类型。

  Atas ialah kandungan terperinci Menggunakan CSV sebagai alat IO untuk operasi baca dan tulis dalam panda pemprosesan data Python. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!