Python数据处理pandas读写操作IO工具CSV怎么使用
导读:本文共9270字符,通常情况下阅读需要31分钟。同时您也可以点击右侧朗读,来听本文内容。按键盘←(左) →(右) 方向键可以翻页。
摘要: 前言pandas 的 IO API 是一组顶层的 reader 函数,比如 pandas.read_csv(),会返回一个 pandas 对象。而相应的 writer 函数是对象方法,如 DataFrame.to_csv()。注意:后面会用到 StringIO,请确保导入#python3fromioimportStringIO#python2fromStr... ...
目录
(为您整理了一些要点),点击可以直达。pandas
的 IO
API
是一组顶层的 reader
函数,比如 pandas.read_csv()
,会返回一个 pandas
对象。
而相应的 writer
函数是对象方法,如 DataFrame.to_csv()
。
注意:后面会用到 StringIO
,请确保导入
读取文本文件的主要函数是 read_csv()
read_csv()
接受以下常用参数:
filepath_or_buffer
: 变量
可以是文件路径、文件 URL
或任何带有 read()
函数的对象
sep
: str
,默认 ,
,对于 read_table
是 \t
文件分隔符,如果设置为 None
,则 C
引擎无法自动检测分隔符,而 Python
引擎可以通过内置的嗅探器工具自动检测分隔符。
此外,如果设置的字符长度大于 1
,且不是 '\s+'
,那么该字符串会被解析为正则表达式,且强制使用 Python
解析引擎。
例如 '\\r\\t'
,但是正则表达式容易忽略文本中的引用数据。
delimiter
: str
, 默认为 None
sep
的替代参数,功能一致
header
: int
或 list
, 默认为 'infer'
用作列名的行号,默认行为是对列名进行推断:
如果未指定 names
参数其行为类似于 header=0
,即从读取的第一行开始推断。
如果设置了 names
,则行为与 header=None
相同。
也可以为 header
设置列表,表示多级列名。如 [0,1,3]
,未指定的行(这里是 2
)将会被跳过,如果 skip_blank_lines=True
,则会跳过空行和注释的行。因此 header=0
并不是代表文件的第一行
names
: array-like
, 默认为 None
需要设置的列名列表,如果文件中不包含标题行,则应显式传递 header=None
,且此列表中不允许有重复值。
index_col
: int
, str
, sequence of int/str
, False
, 默认为 None
用作 DataFrame
的索引的列,可以字符串名称或列索引的形式给出。如果指定了列表,则使用 MultiIndex
注意:index_col=False
可用于强制 pandas
不要将第一列用作索引。例如,当您的文件是每行末尾都带有一个分隔符的错误文件时。
usecols
: 列表或函数, 默认为 None
只读取指定的列。如果是列表,则所有元素都必须是位置(即文件列中的整数索引)或字符串,这些字符串必须与 names
参数提供的或从文档标题行推断出的列名相对应。
列表中的顺序会被忽略,即 usecols=[0, 1]
等价于 [1, 0]
如果是可调用函数,将会根据列名计算,返回可调用函数计算为 True
的名称
使用此参数可以大大加快解析时间并降低内存使用
squeeze
: boolean
, 默认为 False
如果解析的数据只包含一列,那么返回一个 Series
prefix
: str
, 默认为 None
当没有标题时,添加到自动生成的列号的前缀,例如 'X'
表示 X0
, X1
...
mangle_dupe_cols
: boolean
, 默认为 True
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
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
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
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
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。
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
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
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
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
您可以指示整个 DataFrame
或各列的数据类型
你可以使用 read_csv()
的 converters
参数,统一某列的数据类型
或者,您可以在读取数据后使用 to_numeric()
函数强制转换类型
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。
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。
Python数据处理pandas读写操作IO工具CSV怎么使用的详细内容,希望对您有所帮助,信息来源于网络。