BOB(中国)官方入口-BOB体育官网登陆

BOB综合体育在线 用Pandas读取CSV,望这篇就够了

 

01语法

基本语法如下BOB综合体育在线,pd为导入Pandas模块的又名:

pd.read_csv 

清淡情况下,会将读取到的数据返回一个DataFrame,自然遵命参数的请求会返回指定的类型。

02数据内容

filepath_or_buffer为第一个参数,异国默认值,也不及为空,根据Python的语法,第一个参数传参时能够不写参数名。能够传文件路径:

# 声援文件路径或者文件缓冲对象  # 本地相对路径  pd.read_csv 

必要仔细的是,Mac中和Windows中路径的写法纷歧样,上例是Mac中的写法,Windows中的相对路径和绝对路径必要别离换成相通'data\data.csv'和'E:\data\data.csv'的形态。另外,路径尽量不要行使中文,否则程序容易报错,这意味着你存放数据文件的现在录要尽量用英文命名。

能够传数据字符串,即CSV中的数据字符以字符串形态直接传入:

from io import StringIO  data =  

也能够传入字节数据:

from io import BytesIO  data =  
03分隔符

sep参数是字符型的,代外每走数据内容的分隔符号,默认是逗号,另外常见的还有制外符、空格等,根据数据的实际情况传值。

# 数据分隔符默认是逗号,能够指定为其他符号  pd.read_csv # 行使正则外达式 

pd.read_csv还挑供了一个参数名为delimiter的定界符,这是一个备选分隔符,是sep的又名,终局和sep相通。倘若指定该参数,则sep参数失效。

04外头

header参数声援整型和由整型构成的列外,指定第几走是外头,默认会自动揣摸把第一走行为外头。

pd.read_csv # 众层索引MultiIndex 
 仔细:倘若skip_blank_lines=True,header参数将无视空走和注解走,所以header=0外示第一走数据而非文件的第一走。 05列名

names用指定列的名称,它是一个相通列外的序列,与数据逐一对答。倘若文件不包含列名,那么答该竖立header=None,列名列外中不批准有重复值。

pd.read_csv 
06索引

index_col用指定索引列,能够是走索引的列号或者列名,倘若给定一个序列,则有众个走索引。Pandas不会自动将第一列行为索引,不指准时会自动行使以0最先的自然索引。

# 声援int、str、int序列、str序列、False,默认为None  pd.read_csv # 按列索引指定众个索引 
07行使片面列

倘若只行使数据的片面列,能够用usecols指定,云云能够添快添载速度并降矮内存消耗。

# 声援相通列外的序列和可调用对象  # 读取片面列  pd.read_csv 
08返回序列

将squeeze竖立为True,倘若文件只包含一列,则返回一个Series,倘若有众列,则照样返回DataFrame。

# 布尔型,默认为False  # 下例只取一列,会返回一个Series  pd.read_csv 
09外头前缀

倘若原首数据异国列名,能够指定一个前缀添序数的名称,如n0、n1,经由过程prefix参数指定前缀。

# 格式为字符型str  # 外头为c_0、c_2  pd.read_csv 
10处理重复列名

倘若该参数为True,当列名有重复时,解析列名将变为X,X.1,…,X.N,而不是X,…,X。倘若该参数为False,那么当列名中有重复时,前线将会被后列遮盖。

# 布尔型,默认为True  data = 'a,b,a\n0,1,2\n3,4,5'  pd.read_csv  # 外头为a b a.1  # False会报ValueError舛讹 
11数据类型 
dtype能够指定各数据列的数据类型。  # 传入类型名称,或者以列名为键、以指定类型为值的字典  pd.read_csv # 挨次指定 
12引擎

行使的分析引擎能够选择C或Python。C说话的速度最快,Python说话的功能最为完善,清淡情况下,不必要另走指定。

# 格式为engine=None,其中可选值有{'c', 'python'}  pd.read_csv 
13列数据处理

行使converters参数对列的数据进走转换,参数中指定列名与针对此列的处理函数,最后以字典的形态传入,字典的键能够是列名或者列的序号。

# 字典格式,默认为None  data = 'x,y\na,1\nb,2'  def foo 
14真伪值转换

行使true_values和false_values将指定的文本内容转换为True或FalseBOB综合体育在线,能够用列外指定众个值。

# 列外,默认为None  data =  
15跳过指定走

如下跳过必要无视的走数:

# 相通列外的序列或者可调用对象  # 跳过前三走  pd.read_csv 

尾部跳过,从文件尾部最先无视,C引擎不声援。

# int类型, 默认为0  pd.read_csv # 末了一走不添载 

skip_blank_lines指定是否跳过空走,倘若为True,则跳过空走,否则数据记为NaN。

# 布尔型,默认为True  # 不跳过空走  pd.read_csv 

倘若skip_blank_lines=True,header参数将无视空走和注解走,所以header=0外示第一走数据而非文件的第一走。

16读取指定走

nrows参数用于指定必要读取的走数,从文件第一走算首,频繁用于较大的数据,先取片面进走代码写。

# int类型,默认为None  pd.read_csv 
17空值替换

na_values参数的值是一组用于替换NA/NaN的值。倘若传参,必要指定特定列的空值。以下值默认会被认定为空值:

['-1.#IND', '1.#QNAN', '1.#IND', '-1.#QNAN',   '#N/A N/A', '#N/A', 'N/A', 'n/a', 'NA',   '#NA', 'NULL', 'null',BOB综合体育在线 'NaN' '-NaN'   'nan' '-nan' ''] 

行使na_values时必要关注下面keep_default_na的协调行使和影响:

# 可传入标量、字符串、相通列外序列和字典默认为None  # 5和5.0会被认为是NaN  pd.read_csv 
18保留默认空值

分析数据时是否包含默认的NaN值是否自动识别。倘若指定na_values参数并且keep_default_na=False那么默认的NaN将被遮盖否则增补。keep_default_na和na_values的有关见外3-2。

▼外3-2keep_default_na和na_values的取值逻辑有关

 表明:倘若na_filter为False那么keep_default_na和na_values参数均无效。 
# 布尔型默认为True  # 不自动识别空值  pd.read_csv 

na_filter为是否检查丢失值。对于大文件说数据荟萃异国空值设定na_filter=False能够升迁读取速度。

# 布尔型默认为True  pd.read_csv # 不检查 
19日期时间解析

日期时间解析器参数date_parser用于解析日期的函数默认行使dateutil.parser.parser做转换。

倘若为某些或一切列启用了parse_dates并且datetime字符串的格式都相通则经由过程竖立infer_datetime_format=True能够大大挑高解析速度pandas将尝试揣摸datetime字符串的格式然后行使更快的手段解析字符串从而将解析速度挑高5~10倍。倘若无法对整列做出切确的揣摸解析Pandas将返回到平常的解析模式。

下面是一些可自动揣摸的日期时间字符串示例它们都外示2020年12月30日00:00:00:

 "20201230"  "2020/12/30"  "2020123000:00:00"  "12/30/202000:00:00"  "30/Dec/202000:00:00"  "30/December/202000:00:00" 
# 解析时间的函数名默认为None  # 指准时间解析库默认是dateutil.parser.parser  date_parser = pd.io.date_converters.parse_date_time date_parser = lambda x: pd.to_datetime 

parse_dates参数用于对时间日期进走解析。

# 布尔型、整型构成的列外、列外构成的列外或者字典默认为False  pd.read_csv 

倘若infer_datetime_format被设定为True并且parse_dates可用那么Pandas将尝试转换为日期类型。

# 布尔型默认为False  pd.read_csv 

倘若用上文中的parse_dates参数将众列相符并并解析成一个时间列竖立keep_date_col的值为True时会保留这些原有的时间构成列;倘若竖立为False则不保留这些列。

# 布尔型默认为False  pd.read_csv 

对于DD/MM格式的日期类型如日期2020-01-06倘若dayfirst=True则会转换成2020-06-01。

# 布尔型默认为False  pd.read_csv 

cache_dates倘若为True则行使唯一的转换日期缓存行使datetime转换。解析重复的日期字符串尤其是带未必区偏移的日期字符串时能够会大大挑高速度。

# 布尔型默认为True  pd.read_csv 
20文件处理

以下是一些对读取文件对象的处理手段。iterator参数倘若竖立为True则返回一个TextFileReader对象并能够对它进走迭代以便逐块处理文件。

# 布尔型默认为False  pd.read_csv 

compression用于对磁盘数据进走即时解压缩。倘若为“infer”且filepath_or_buffer所以.gz、.bz2、.zip或.xz末了的字符串则行使gzip、bz2、zip或xz否则不进走解压缩。倘若行使zip则ZIP文件必须仅包含一个要读取的数据文件。竖立为None将不进走解压缩。

# 可选值有'infer'、'gzip'、'bz2'、'zip'、'xz'和None默认为'infer'  pd.read_csv 

encoding指定字符集类型清淡指定为'utf-8'。

# 字符型默认为None  pd.read_csv # 常见中文 
21符号

以下是对文件中的一些数据符号进走的稀奇识别处理。如下竖立千分位分隔符thousands:

# 字符型默认为None  pd.read_csv # 逗号分隔 

幼批点decimal识别为幼批点的字符。

# 字符串默认为'.'  pd.read_csv 

走终结符lineterminator将文件分成几走的字符仅对C解析器有效。

# 长度为1的字符串默认为None  data = 'abc~123~456'  pd.read_csv 

引号quotechar用于外示引用数据的最先和终结的字符。引用的项现在能够包含定界符它将被无视。

# 长度为1的字符串  pd.read_csv 

在csv模块中数据能够会用引号等字符包裹首quoting参数用限制识别字段的引号模式它能够是Pythoncsv模块中的csv.QUOTE_*常量也能够传入对答的数字。各个传入值的意义如下。

 0或csv.QUOTE_MINIMAL:仅稀奇字段有引号。  1或csv.QUOTE_ALL:一切字段都有引号。  2或csv.QUOTE_NONNUMERIC:一切非数字字段都有引号。  3或csv.QUOTE_NONE:一切字段都异国引号。

倘若行使csv模块则必要事先引入csv模块。

# 整型或者csv.QUOTE_*实例 默认为0  import csv  pd.read_csv 

双引号doublequote当单引号已经被定义并且quoting参数不是QUOTE_NONE的时候行使双引号外示将引号内的元素行为一个元素行使。

# 布尔型默认为True  import csv  pd.read_csv 

escapechar能够传入一个转义符用于过滤数据中的该转入符。比如倘若一走用双引号包裹着的数据中有换走符用以下代码能够过滤其中的换走符。

# 长度为1的转义字符串默认为None  pd.read_csv 

注解标识comment指使不该分析走的片面。倘若在一走的起头找到该标识则将十足无视该走。此参数必须是单个字符。像空走相通注解的走将被参数header无视而不是被skiprows无视。例如倘若comment='#'则解析header=0的'#empty\nabc\n123'会将'abc'视为header。

# 字符串默认为None  s = '# notes\nabc\n# more notes\n123'  pd.read_csv 

空格分隔符delim_whitespace指定是否将空格用作分隔符等效于竖立sep='\s+'。倘若此选项竖立为True则不该该为delimiter参数传递任何内容。

# 布尔型默认为False  pd.read_csv 
22幼结

经由过程本文的介绍吾们晓畅了读取CSV文件的一些参数的功能也晓畅了在读取CSV文件时能够做一些初步的数据清理做事。

2021年超酷的10个大数据工具!你清新几个? 大数据为乡下崛首注入新动力 为网络与云端大数据降本挑速赛灵思推出VersalHBM自适宜计算添速平台 大数据内训分享视频课程 数百名大数据工程师齐聚快手共享周围数据建设经验


Powered by BOB(中国)官方入口-BOB体育官网登陆 @2018 RSS地图 HTML地图