开发者

Python Pandas读取csv/tsv文件(read_csv,read_table)的区别

目录
  • 前言
  • read_csv()和read_table()之间的区别
  • 读取没有标题的CSV
  • 读取有标题的CSV
  • 读取有index的CSV
  • 指定(选择)要读取的列
  • 跳过(排除)行的读取
    • skiprows
    • skipfooter
    • nrows
  • 通过指定类型dtype进行读取
    • NaN缺失值的处理
      • 读取使用zip等压缩的文件
        • tsv的读取
          • 总结

            前言

            要将csv和tsv文件读取为pandas.DataFrame格式,可以使用Pandas的函数read_csv()或read_table()。

            在此

            • read_csv()和read_table()之间的区别
            • 读取没有标题的CSV
            • 读取有标题的CSV
            • 读取有index的CSV
            • 指定(选择)要读取的列
            • 跳过(排除)行的读取
            • 通过指定类型dtype进行读取
            • NaN缺失值的处理
            • 读取使用zip等压缩的文件
            • tsv的读取

            对以上的内容进行说明。

            read_csv()和read_table()之间的区别

            函数pd.read_csv()和pd.read_table()的内容相同,只是默认分隔符不同。

            在read_csv()中,定界符为,,在read_table()中,定界符为\ t。

            查看源代码,它调用相同的函数。

            read_csv = _make_parser_function('read_csv', sep=',')
            read_csv = Appender(_read_csv_doc)(read_csv)
            
            read_table = _make_parser_function('read_table', sep='\t')
            read_table = Appender(_read_table_doc)(read_table)
            

            如果要读取csv文件(以逗号分隔),使用函数read_csv(),如果要读取tsv文件(以制表符分隔),使用函数read_table()也可以。

            如果既不是逗号也不是制表符,则可以通过参数(sep或delimiter)设置区分符。

            以下,将使用说明read_csv(),但是对read_table也是如此。

            读取没有标题的CSV

            读取以下不带标题的csv文件。

            11,12,13,14

            21,22,23,24

            31,32,33,34

            如果未设置任何参数,则将第一行识别为标题并将自动分配列名columns。

            df = pd.read_csv('./data/03/sample.csv')
            print(df)
            #    11  12  13  14
            # 0  21  22  23  24
            # 1  31  32  33  34
            
            print(df.columns)
            # Index(['11', '12', '13', '14'], dtype='object')
            

            如果header = None,则将为列名列分配一个序号。

            df_none = pd.read_csv('./data/03/sample.csv', header=None)
            print(df_none)
            #     0   1   2   3
            # 0  11  12  13  14
            # 1  21  22  23  24
            # 2  31  32  33  34
            

            可以将任意值设置为列名,参数为name=(‘A’,‘B’,‘C’,‘D’)。通过列表或元组指定。

            df_names = pd.read_csv('./data/03/sample.csv', names=('A', 'B', 'C', 'D'))
            print(df_names)
            # http://www.cppcns.com    A   B   C   D
            # 0  11  12  13  14
            # 1  21  22  23  24
            # 2  31  32  33  34
            

            读取有标题的CSV

            读取以下带标头的csv文件。

            a,b,c,d

            11,12,13,14

            21,22,23,24

            31,32,33,34

            指定标题的行号从0开始,例如header = 0。由于默认值为header = 0,因此如果第一行是header,则可以获得相同的结果。

            df_header = pd.read_csv('./data/03/sample_header.csv')
            pmWTGddyUrint(df_header)
            #     a   b   c   d
            # 0  11  12  13  14
            # 1  21  22  23  24
            # 2  31  32  33  34
            
            df_header_0 = pd.read_csv('./data/03/sample_header.csv', header=0)
            print(df_header_0)
            #     a   b   c   d
            # 0  11  12  13  14
            # 1  21  22  23  24
            # 2  31  32  33  34
            

            使用header进行起始行的读取指定。

            df_header_2 = pd.read_csv('./data/03/sample_header.csv', header=2)
            print(df_header_2)
            #    21  22  23  24
            # 0  31  32  33  34
            

            读取有index的CSV

            读取以下带有标题和索引(标题列)的csv文件。

            ,a,b,c,d
            ONE,11,12,13,14
            TWO,21,22,23,24
            THREE,31,32,33,34
            

            如果未指定任何内容,则不会识别索引列。

            df_header_index = pd.read_csv('./data/03/sample_header_index.csv')
            print(df_header_index)
            #   Unnamed: 0   a   b   c   d
            # 0        ONE  11  12  13  14
            # 1        TWO  21  22  23  24
            # 2      THREE  31  32  33  34
            
            print(df_header_index.index)
            # RangeIndex(start=0, stop=3, step=1)
            

            指定要用作索引的列的列号,从0开始,例如index_col = 0。

            df_header_index_col = pd.read_csv('./data/03/sample_header_index.csv',
            									index_col=0)
            print(df_header_index_col)
            #         a   b   c   d
            # ONE    11  12  13  14
            # TWO    21  22  23  24
            # THREE  31  32  33  34
            
            print(df_header_index_col.index)
            # Index(['ONE', 'TWO', 'THREE'], dtype='object')
            

            指定(选择)要读取的列

            要仅读取特定的列,请使用usecols参数。 指定要在列表中读取的列号。即使只有一列,也要使用列表。

            df_none_usecols = pd.read_csv('./data/03/sample.csv',
            								header=None, usecols=[1, 3])
            print(df_none_usecols)
            #     1   3
            # 0  12  14
            # 1  22  24
            # 2  32  34
            
            df_none_usecols = pd.read_csv('./data/03/sample.csv',
            								header=None, usecols=[2])
            print(df_none_usecols)
            #     2
            # 0  13
            # 1  23
            # 2  33
            

            也可以按列名而不是列号指定。

            df_header_usecols = pd.read_csv('./data/03/sample_header.csv',
            								usecols=['a', 'c'])
            print(df_header_usecols)
            #     a   c
            # 0  11  13
            # 1  21  23
            # 2  31  33
            

            在没有特定列的情况下时,使用匿名函数(lambda表达式)很方便。尤其是当您要从具有许多列的文件中排除少量列并读取它们时,比指定要读取的大量列号要容易得多。

            df_header_usecols = pd.read_csv('./data/03/sample_header.csv', 
                                          usecols=lambda x: x is not 'b')
            print(df_header_usecols)
            #     a   c   d
            # 0  11  13  14
            # 1  21  23  24
            # 2  31  33  34
            
            df_header_usecols = pd.read_csv('./data/03/sample_header.csv', 
                                          usecols=lambda x: x not in ['a', 'c'])
            print(df_header_usecols)
            #     b   d
            # 0  12  14
            # 1  22  24
            # 2  32  34
            

            当与index_col一起使用时,由index_col指定的列也必须由usecols指定。

            df_index_usecols = pd.read_csv('./data/03/sample_header_index.csv',
                                          index_col=0, usecols=[0, 1, 3])
            print(df_index_usecols)
            #         a   c
            # ONE    11  13
            # TWO    21  23
            # THREE  31  33
            

            跳过(排除)行的读取

            skiprows

            要跳过(排除)特定行并读取它们,使用参数skipprows。 如果将整数传递给跳过行,那么将跳过那么多行的文件开头。

            df_none = pd.read_csv('./data/03/sample.csv', header=None)
            print(df_none)
            #     0   1   2   3
            # 0  11  12  13  14
            # 1  21  22  23  24
            # 2  31  32  33  34
            
            df_none = pd.read_csv('./data/03/sample.csv', header=None, skiprows=2)
            print(df_none)
            #     0   1   2   3
            # 0  31  32  33  34
            

            可以指定要跳过的行号列表。与usecols不同,指定要跳过的行,而不是要读取的行。 即使在一行中也要使用列表。

            df_none_skiprows = pd.read_csv('./data/03/sample.csv',
            								header=None, skiprows=[0, 2])
            print(df_none_skiprows)
            #     0   1   2   3
            # 0  21  22  23  24
            
            df_none_skiprows = pd.read_csv('./data/03/sample.csv',
            								header=None, skiprows=[1])
            print(df_none_skiprows)
            #     0   1   2   3
            # 0  11  12  13  14
            # 1  31  32  33  34
            

            仅读取特定行时,使用匿名函数(lambda表达式)会很方便。特别是当您只想从文件中读取多行的特定行时,比指定要跳过的行数要容易得多。

            df_none_skiprows = pd.read_csv('./data/03/sample.csv', header=None,
                                       skiprows=lambda x: x not in [0, 2])
            print(df_none_skiprows)
            #     0   1   2   3
            # 0  11  12  13  14
            # 1  31  32  33  34
            

            请注意,如果文件具有标题,则还需要考虑标题行。

            df_header_skiprows = pd.read_csv('./data/03/sample_header.csv', skiprows=[1])
            print(df_header_skiprows)
            #     a   b   c   d
            # 0  21  22  23  24
            # 1  31  32  33  34
            
            df_header_skiprows = pd.read_csv('./data/03/sample_header.csv', skiprows=[0, 3])
            print(df_header_skiprows)
            #    11  12  13  14
            # 0  21  22  23  24
            

            请注意,即使指定了索引,也无法通过行名指定skipprows。

            skipfooter

            编程客栈跳过文件的末尾,请使用skipfooter参数。将要跳过的行数指定为整数。 根据环境的不同,会出现以下警告,因此请指定参数engine =‘python’。

            ParserWarning: Falling back to the 'python' engine because the 'c' engine does not support skipfooter; you can avoid this warning by specifying engine='python'.
            
            df_none_skipfooter = pd.read_csv('./data/03/sample.csv', header=None,
            	                           skipfooter=1, engine='python')
            print(df_none_skipfooter)
            #     0   1   2   3
            # 0  11  12  13  14
            # 1  21  22  23  24
            

            nrows

            也可以只阅读前几行。使用参数nrows。 当想检查大文件的数据时很有用。

            df_none_nrows = pd.read_csv('./data/03/sample.csv', header=None, nrows=2)
            print(df_none_nrows)
            #     0   1   2   3
            # 0  11  12  13  14
            # 1  21  22  23  24
            

            通过指定类型dtype进行读取

            在pandas.DataFrame中,为每一列设置类型dtype,可以使用astype()方法对其进行转换(转换)。

            以下文件为例。

            ,a,b,c,d
            ONE,1,"001",100,x
            TWO,2,"020",,y
            THREE,3,"300",300,z
            

            默认情况下,以0开头的数字序列(无论是否带引号)都被视为数字,而不是字符串,并且省略前导零。

            df_default = pd.read_csv('./data/03/sample_header_index_dtype.csv', index_col=0)
            print(df_default)
            #        a    b      c  d
            # ONE    1    1  100.0http://www.cppcns.com  x
            # TWO    2   20    NaN  y
            # THREE  3  300  300.0  z
            
            print(df_default.dtypes)
            # a      int64
            # b      int64
            # c    float64
            # d     object
            # dtype: object
            
            print(df_default.applymap(type))
            #                    a              b                c              d
            # ONE    <class 'int'>  <class 'int'>  <class 'float'>  <class 'str'>
            # TWO    <class 'int'>  <class 'int'>  <class 'float'>  <class 'str'>
            # THREE  <class 'int'>  <class 'int'>  <class 'float'>  <class 'str'>
            

            如果要作为包含前导0的字符串进行处理,请指定read_csv()的参数dtype。

            如果在参数dtype中指定了任意数据类型,则包括index_col指定的列在内的所有列都将转换为该类型并读取。例如,如果dtype = str,则所有列都强制转换为字符串。但是,同样在这种情况下,缺少的值是浮点类型。

            df_str = pd.read_csv('./data/03/sample_header_index_dtype.csv',
            						index_col=0,dtype=str)
            print(df_str)
            #        a    b    c  d
            # ONE    1  001  100  x
            # TWO    2  020  NaN  y
            # THREE  3  300  300  z
            
            print(df_str.dtypes)
            # a    object
            # b    object
            # c    object
            # d    object
            # dtype: object
            
            print(df_str.applymap(type))
            #                    a              b                c              d
            # ONE    <class 'str'>  <class 'str'>    <class 'str'>  <class 'str'>
            # TWO    <class 'str'>  <class 'str'>  <class 'float'>  <class 'str'>
            # THREE  <class 'str'>  <class 'str'>    <class 'str'>  <class 'str'>
            

            dtype = object也是如此。

            df_object = pd.read_csv('./data/03/sample_header_index_dtype.csv',
            						index_col=0, dtype=object)
            print(df_object)
            #        a    b    c  d
            # ONE    1  001  100  x
            # TWO    2  020  NaN  y
            # THREE  3  300  300  z
            
            print(df_object.dtypes)
            # a    object
            # b    object
            # c    object
            # d    object
            # dtype: object
            
            print(df_object.applymap(type))
            #                    a              b                c              d
            # ONE    <class 'str'>  <class 'str'>    <class 'str'>  <class 'str'>
            # TWO    <class 'str'>  <class 'str'>  <class 'float'>  <class 'str'>
            # THREE  <class 'str'>  <class 'str'>    <class 'str'>  <class 'str'>
            

            请注意,在参数dtype中指定无法转换的类型将导致错误。在此示例中,将由index_col指定的字符串的索引列转换为整数int类型时发生错误。

            # df_int = pd.read_csv('data/src/sample_header_index_dtype.csv',
            #                      index_col=0, dtype=int)
            # ValueError: invalid literal for int() with base 10: 'ONE'
            

            要在读取后转换pandas.DataFrame的列类型,请在astype()方法中以字典格式指定它。

            df_str_cast = df_str.astype({'a': int})
            print(df_str_cast)
            #        a    b    c  d
            # ONE    1  001  100  x
            # TWO    2  020  NaN  y
            # THREE  3  300  300  z
            
            print(df_str_cast.dtypes)
            # a     int64
            # b    object
            # c    object
            # d    object
            # dtype: object
            

            使用read_csv()进行读取时,可以在字典格式中的参数dtype中指定列类型。将自动选择除指定列以外的其他类型。

            df_str_col = pd.read_csv('./data/03/sample_header_index_dtype.csv',
                                 index_col=0, dtype={'b': str, 'c': str})
            print(df_str_col)
            #        a    b    c  d
            # ONE    1  001  100  x
            # TWO    2  020  NaN  y
            # THREE  3  300  300  z
            
            print(df_str_col.dtypes)
            # a     int64
            # b    object
            # c    object
            # d    object
            # dtype: object
            

            不仅可以指定列名,还可编程客栈以指定列号。注意,在指定索引列时,必须指定包括索引列的列号。

            df_str_col_num = pd.read_csv('./data/03/sample_header_index_dtype.csv',
                                 index_col=0, dtype={2: str, 3: str})
            print(df_str_col_num)
            #        a    b    c  d
            # ONE    1  001  100  x
            # TWO    2  020  NaN  y
            # THREE  3  300  300  z
            
            print(df_str_col_num.dtypes)
            # a     int64
            # b    object
            # c    object
            # d    object
            # dtype: object
            

            NaN缺失值的处理

            默认情况下,read_csv()和read_table()将某些值视为缺少的NaN。

            默认情况下,可能的值(例如空字符串”,字符串“ NaN”,“ nan”和null)通常默认为缺少NaN,如下所示:

            By default the following values are interpreted as NaN: ‘', ‘#N/A', ‘#N/A N/A', ‘#NA', ‘-1.#IND', ‘-1.#QNAN', ‘-NaN', ‘-nan', ‘1.#IND', ‘1.#QNAN', ‘N/A', ‘NA', ‘NULL', ‘NaN', ‘n/a', ‘nan', ‘null'.
            

            以下文件为例检查操作。

            ,a,b
            ONE,,NaN
            TWO,-,nan
            THREE,null,N/A
            

            特别是,如果您在默认情况下未设置任何参数而进行读取,并使用isnull()方法对其进行了检查,则可以看到除“-”以外的其他非目标均被视为缺失值NaN。

            df_nan = pd.read_csv('./data/03/sample_header_index_nan.csv', index_col=0)
            print(df_nan)
            #          a   b
            # ONE    NaN NaN
            # TWO      - NaN
            # THREE  NaN NaN
            
            print(df_nan.isnull())
            #            a     b
            # ONE     True  True
            # TWO    False  True
            # THREE   True  True
            

            要指定默认值以外的值,将其视为缺失值,使用参数na_values。

            df_nan_set_na = pd.read_csv('./data/03/sample_header_index_nan.csv',
            							index_col=0, na_values='-')
            print(df_nan_set_na)
            #         a   b
            # ONE   NaN NaN
            # TWO   NaN NaN
            # THREE NaN NaN
            
            print(df_nan_set_na.isnull())
            #           a     b
            # ONE    True  True
            # TWO    True  True
            # THREE  True  True
            

            如果在将参数keep_default_na设置为False之后为参数na_values指定值,则仅将为na_values指定的值视为缺失值。除非在na_values中指定,否则默认值不会被视为缺失值。

            df_nan_set_na_no_keep = pd.read_csv('./data/03/sample_header_index_nan.csv',
            									index_col=0, 
            									na_values=['-', 'NaN', 'null'], 
            									keep_default_na=False)
            print(df_nan_set_na_no_keep)
            #          a    b
            # ONE         NaN
            # TWO    NaN  nan
            # THREE  NaN  N/A
            
            print(df_nan_set_na_no_keep.isnull())
            #            a      b
            # ONE    False   True
            # TWO     True  False
            # THREE   True  False
            

            如果参数na_filter设置为False,则无论参数na_values和keep_default_na的规格如何,所有值都将按原样读取,并且不会被视为缺失值。

            df_nan_no_filter = pd.read_csv('./data/03/sample_header_index_nan.csv',
            								index_col=0, na_filter=False)
            print(df_nan_no_filter)
            #           a    b
            # ONE          NaN
            # TWO       -  nan
            # THREE  null  N/A
            
            print(df_nan_no_filter.isnull())
            #            a      b
            # ONE    False  False
            # TWO    False  False
            # THREE  False  False
            

            读取使用zip等压缩的文件

            也可以按原样读取通过zip等压缩的csv文件。

            df_zip = pd.read_csv('./data/03/sample_header.zip')
            print(df_zip)
            #     a   b   c   d
            # 0  11  12  13  14
            # 1  21  22  23  24
            # 2  31  32  33  34
            

            如果扩展名是.gz,.bz2,.zip,.xz,则会自动检测并扩展。如果扩展名不同,请在compression参数中显式指定字符串“ gz”,“ bz2”,“ zip”和“ xz”。

            请注意,仅限压缩单个csv文件。如果压缩多个文件,则会发生错误。

            tsv的读取

            在开始时所写的那样,如果要读取tsv文件(制表符分隔),则可以使用read_table()。

            对于如下文件

                a   b   c   d

            ONE 11  12  13  14

            TWO 21  22  23  24

            THREE   31  32  33  34

            参数与read_csv()相同。

            df_tsv = pd.read_table('./data/03/sample_header_index.tsv', index_col=0)
            print(df_tsv)
            #         a   b   c   d
            # ONE    11  12  13  14
            # TWO    21  22  23  24
            # THREE  31  32  33  34
            

            通过read_csv()将制表符\t设置为区别符,也可以读取它。

            df_tsv_sep = pd.read_csv('./data/03/sample_header_index.tsv', 
                                        index_col=0, sep='\t')
            print(df_tsv_sep)
            #         a   b   c   d
            # ONE    11  12  13  14
            # TWO    21  22  23  24
            # THREE  31  32  33  34
            

            总结

            到此这篇关于Python Pandas读取csv/tsv文件(read_csv,read_table)区别的文章就介绍到这了,更多相关Pandas读取csv/tsv文件内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们!

            0

            上一篇:

            下一篇:

            精彩评论

            暂无评论...
            验证码 换一张
            取 消

            最新开发

            开发排行榜