Python数据处理pandas读写操作IO工具CSV解析
作者：名本无名
前言
前面我们介绍了 pandas 的基础语法操作，下面我们开始介绍 pandas 的数据读写操作。
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()。
下面列出了所有的 reader 和 writer 函数
注意：后面会用到 StringIO，请确保导入
# python3 from io import StringIO # python2 from StringIO import StringIO
CSV 和文本文件
读取文本文件的主要函数是 read_csv()
1 参数解析
read_csv() 接受以下常用参数:
1.1 基础
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
1.2 列、索引、名称
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
In [1]: import pandas as pd In [2]: from io import StringIO In [3]: data = "col1,col2,col3\na,b,1\na,b,2\nc,d,3" In [4]: pd.read_csv(StringIO(data)) Out[4]: col1 col2 col3 0 a b 1 1 a b 2 2 c d 3 In [5]: pd.read_csv(StringIO(data), usecols=lambda x: x.upper() in ["COL1", "COL3"]) Out[5]: col1 col3 0 a 1 1 a 2 2 c 3
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
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 'str'> 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 'float'> 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 'int'> 737858
<class 'str'> 262144
Name: col_1, dtype: int64
In [30]: mixed_df["col_1"].dtype
Out[30]: dtype('O')
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。
以上就是Python pandas数据读写操作IO工具CSV的详细内容，更多关于Python pandas数据读写的资料请关注脚本之家其它相关文章！