python pandas 中文件的讀寫——read_csv()讀取文件

read_csv()讀取文件
1.python讀取文件的幾種方式
read_csv 從文件,url,文件型對象中加載帶分隔符的數據。默認分隔符爲逗號
read_table 從文件,url,文件型對象中加載帶分隔符的數據。默認分隔符爲製表符(「\t」)
read_fwf 讀取定寬列格式數據(也就是沒有分隔符)
read_cliboard 讀取剪切板中的數據,能夠看作read_table的剪切板。在將網頁轉換爲表格時頗有用
2.讀取文件的簡單實現
程序代碼:python

df=pd.read_csv('D:/project/python_instruct/test_data1.csv')
print('用read_csv讀取的csv文件:', df)
df=pd.read_table('D:/project/python_instruct/test_data1.csv', sep=',')
print('用read_table讀取csv文件:', df)
df=pd.read_csv('D:/project/python_instruct/test_data2.csv', header=None)
print('用read_csv讀取無標題行的csv文件:', df)
df=pd.read_csv('D:/project/python_instruct/test_data2.csv', names=['a', 'b', 'c', 'd', 'message'])
print('用read_csv讀取自定義標題行的csv文件:', df)
names=['a', 'b', 'c', 'd', 'message']
df=pd.read_csv('D:/project/python_instruct/test_data2.csv', names=names, index_col='message')
print('read_csv讀取時指定索引:', df)
parsed=pd.read_csv('D:/project/python_instruct/test_data3.csv', index_col=['key1', 'key2'])
print('read_csv將多個列作成一個層次化索引:')
print(parsed)
print(list(open('D:/project/python_instruct/test_data1.txt')))
result=pd.read_table('D:/project/python_instruct/test_data1.txt', sep='\s+')
print('read_table利用正則表達式處理文件讀取:')
print(result)
 正則表達式

輸出結果:ide

用read_csv讀取的csv文件: a b c d message
0 1 2 3 4 hello
1 5 6 7 8 world
2 9 10 11 12 foo
用read_table讀取csv文件: a b c d message
0 1 2 3 4 hello
1 5 6 7 8 world
2 9 10 11 12 foo
用read_csv讀取無標題行的csv文件: 0 1 2 3 4
0 1 2 3 4 hello
1 5 6 7 8 world
2 9 10 11 12 foo
用read_csv讀取自定義標題行的csv文件: a b c d message
0 1 2 3 4 hello
1 5 6 7 8 world
2 9 10 11 12 foo
read_csv讀取時指定索引: a b c d
message
hello 1 2 3 4
world 5 6 7 8
foo 9 10 11 12
read_csv將多個列作成一個層次化索引:
value1 value2
key1 key2
one a 1 2
b 3 4
c 5 6
d 7 8
two a 9 10
b 11 12
c 13 14
d 15 16
[' A B C \n', 'aaa -0.26 -0.1 -0.4\n', 'bbb -0.92 -0.4 -0.7\n', 'ccc -0.34 -0.5 -0.8\n', 'ddd -0.78 -0.3 -0.2']
read_table利用正則表達式處理文件讀取:
A B C
aaa -0.26 -0.1 -0.4
bbb -0.92 -0.4 -0.7
ccc -0.34 -0.5 -0.8
ddd -0.78 -0.3 -0.2
 函數

3分塊讀取大型數據集
先看代碼:url

reslt=pd.read_csv('D:\project\python_instruct\weibo_network.txt')
print('原始文件:', result)
 spa

輸出:.net

Traceback (most recent call last):

File "<ipython-input-5-6eb71b2a5e94>", line 1, in <module>
runfile('D:/project/python_instruct/Test.py', wdir='D:/project/python_instruct')
File "D:\Anaconda3\lib\site-packages\spyder\utils\site\sitecustomize.py", line 866, in runfile
execfile(filename, namespace)
File "D:\Anaconda3\lib\site-packages\spyder\utils\site\sitecustomize.py", line 102, in execfile
exec(compile(f.read(), filename, 'exec'), namespace)
File "D:/project/python_instruct/Test.py", line 75, in <module>
reslt=pd.read_csv('D:\project\python_instruct\weibo_network.txt')
File "D:\Anaconda3\lib\site-packages\pandas\io\parsers.py", line 562, in parser_f
return _read(filepath_or_buffer, kwds)
File "D:\Anaconda3\lib\site-packages\pandas\io\parsers.py", line 325, in _read
return parser.read()
File "D:\Anaconda3\lib\site-packages\pandas\io\parsers.py", line 815, in read
ret = self._engine.read(nrows)
File "D:\Anaconda3\lib\site-packages\pandas\io\parsers.py", line 1314, in read
data = self._reader.read(nrows)
File "pandas\parser.pyx", line 805, in pandas.parser.TextReader.read (pandas\parser.c:8748)
File "pandas\parser.pyx", line 827, in pandas.parser.TextReader._read_low_memory (pandas\parser.c:9003)
File "pandas\parser.pyx", line 881, in pandas.parser.TextReader._read_rows (pandas\parser.c:9731)
File "pandas\parser.pyx", line 868, in pandas.parser.TextReader._tokenize_rows (pandas\parser.c:9602)
File "pandas\parser.pyx", line 1865, in pandas.parser.raise_parser_error (pandas\parser.c:23325)
CParserError: Error tokenizing data. C error: out of memory
 scala

發現數據集大得已經超出內存。咱們能夠讀取幾行看看,如前10行:orm

result=pd.read_csv('D:\project\python_instruct\weibo_network.txt', nrows=10)
print('只讀取幾行:')
print(result)
 對象

 

輸出結果:

1787443\t413503687
0 0\t296\t3\t1\t10\t1\t12\t1\t13\t1\t14\t1\t16\t...
1 1\t271\t8\t1\t17\t1\t22\t1\t31\t0\t34\t1\t6742...
2 2\t158\t0\t0\t5\t1\t10\t1\t11\t1\t13\t1\t16\t0...
3 3\t413\t0\t1\t5\t1\t194\t1\t354\t1\t3462\t1\t8...
4 4\t142\t1\t0\t5\t1\t7\t1\t11\t1\t14\t1\t18\t1\...
5 5\t272\t2\t1\t3\t1\t4\t1\t12\t1\t13\t1\t14\t1\...
6 6\t59\t9\t1\t13\t1\t46991\t0\t66930\t0\t85672\...
7 7\t131\t4\t1\t11\t1\t20\t1\t24\t1\t26\t0\t30\t...
8 8\t326\t0\t0\t1\t1\t12\t1\t13\t1\t17\t1\t19\t1...
9 9\t12\t0\t0\t6\t1\t10\t1\t13\t1\t18\t0\t466527...


python pandas.read_csv參數詳解

filepath_or_buffer : str,pathlib。str, pathlib.Path, py._path.local.LocalPath or any object with a read() method (such as a file handle or StringIO) 
能夠是URL,可用URL類型包括:http, ftp, s3和文件。對於多文件正在準備中 
本地文件讀取實例:://localhost/path/to/table.csv

sep : str, default ‘,’ 
指定分隔符。若是不指定參數,則會嘗試使用逗號分隔。分隔符長於一個字符而且不是‘\s+’,將使用Python的語法分析器。而且忽略數據中的逗號。正則表達式例子:’\r\t’

delimiter : str, default None 
定界符,備選分隔符(若是指定該參數,則sep參數失效)

delim_whitespace : boolean, default False. 
指定空格(例如’ ‘或者’ ‘)是否做爲分隔符使用,等效於設定sep=’\s+’。若是這個參數設定爲Ture那麼delimiter 參數失效。 
在新版本0.18.1支持

header : int or list of ints, default ‘infer’ 
指定行數用來做爲列名,數據開始行數。若是文件中沒有列名,則默認爲0,不然設置爲None。若是明確設定header=0 就會替換掉原來存在列名。header參數能夠是一個list例如:[0,1,3],這個list表示將文件中的這些行做爲列標題(意味着每一列有多個標題),介於中間的行將被忽略掉(例如本例中的2;本例中的數據1,2,4行將被做爲多級標題出現,第3行數據將被丟棄,dataframe的數據從第5行開始。)。 
注意:若是skip_blank_lines=True 那麼header參數忽略註釋行和空行,因此header=0表示第一行數據而不是文件的第一行。

names : array-like, default None 
用於結果的列名列表,若是數據文件中沒有列標題行,就須要執行header=None。默認列表中不能出現重複,除非設定參數mangle_dupe_cols=True。

index_col : int or sequence or False, default None 
用做行索引的列編號或者列名,若是給定一個序列則有多個行索引。 
若是文件不規則,行尾有分隔符,則能夠設定index_col=False 來是的pandas不適用第一列做爲行索引。

usecols : array-like, default None 
返回一個數據子集,該列表中的值必須能夠對應到文件中的位置(數字能夠對應到指定的列)或者是字符傳爲文件中的列名。例如:usecols有效參數多是 [0,1,2]或者是 [‘foo’, ‘bar’, ‘baz’]。使用這個參數能夠加快加載速度並下降內存消耗。

as_recarray : boolean, default False 
不同意使用:該參數會在將來版本移除。請使用pd.read_csv(…).to_records()替代。 
返回一個Numpy的recarray來替代DataFrame。若是該參數設定爲True。將會優先squeeze參數使用。而且行索引將再也不可用,索引列也將被忽略。

squeeze : boolean, default False 
若是文件值包含一列,則返回一個Series

prefix : str, default None 
在沒有列標題時,給列添加前綴。例如:添加‘X’ 成爲 X0, X1, …

mangle_dupe_cols : boolean, default True 
重複的列,將‘X’…’X’表示爲‘X.0’…’X.N’。若是設定爲false則會將全部重名列覆蓋。

dtype : Type name or dict of column -> type, default None 
每列數據的數據類型。例如 {‘a’: np.float64, ‘b’: np.int32}

engine : {‘c’, ‘python’}, optional 
Parser engine to use. The C engine is faster while the python engine is currently more feature-complete. 
使用的分析引擎。能夠選擇C或者是python。C引擎快可是Python引擎功能更加完備。

converters : dict, default None 
列轉換函數的字典。key能夠是列名或者列的序號。

true_values : list, default None 
Values to consider as True

false_values : list, default None 
Values to consider as False

skipinitialspace : boolean, default False 
忽略分隔符後的空白(默認爲False,即不忽略).

skiprows : list-like or integer, default None 
須要忽略的行數(從文件開始處算起),或須要跳過的行號列表(從0開始)。

skipfooter : int, default 0 
從文件尾部開始忽略。 (c引擎不支持)

skip_footer : int, default 0 
不推薦使用:建議使用skipfooter ,功能同樣。

nrows : int, default None 
須要讀取的行數(從文件頭開始算起)。

na_values : scalar, str, list-like, or dict, default None 
一組用於替換NA/NaN的值。若是傳參,須要制定特定列的空值。默認爲‘1.#IND’, ‘1.#QNAN’, ‘N/A’, ‘NA’, ‘NULL’, ‘NaN’, ‘nan’`.

keep_default_na : bool, default True 
若是指定na_values參數,而且keep_default_na=False,那麼默認的NaN將被覆蓋,不然添加。

na_filter : boolean, default True 
是否檢查丟失值(空字符串或者是空值)。對於大文件來講數據集中沒有空值,設定na_filter=False能夠提高讀取速度。

verbose : boolean, default False 
是否打印各類解析器的輸出信息,例如:「非數值列中缺失值的數量」等。

skip_blank_lines : boolean, default True 
若是爲True,則跳過空行;不然記爲NaN。

parse_dates : boolean or list of ints or names or list of lists or dict, default False 
boolean. True -> 解析索引 
list of ints or names. e.g. If [1, 2, 3] -> 解析1,2,3列的值做爲獨立的日期列; 
list of lists. e.g. If [[1, 3]] -> 合併1,3列做爲一個日期列使用 
dict, e.g. {‘foo’ : [1, 3]} -> 將1,3列合併,並給合併後的列起名爲」foo」

infer_datetime_format : boolean, default False 
若是設定爲True而且parse_dates 可用,那麼pandas將嘗試轉換爲日期類型,若是能夠轉換,轉換方法並解析。在某些狀況下會快5~10倍。

keep_date_col : boolean, default False 
若是鏈接多列解析日期,則保持參與鏈接的列。默認爲False。

date_parser : function, default None 
用於解析日期的函數,默認使用dateutil.parser.parser來作轉換。Pandas嘗試使用三種不一樣的方式解析,若是遇到問題則使用下一種方式。 
1.使用一個或者多個arrays(由parse_dates指定)做爲參數; 
2.鏈接指定多列字符串做爲一個列做爲參數; 
3.每行調用一次date_parser函數來解析一個或者多個字符串(由parse_dates指定)做爲參數。

dayfirst : boolean, default False 
DD/MM格式的日期類型

iterator : boolean, default False 
返回一個TextFileReader 對象,以便逐塊處理文件。

chunksize : int, default None 
文件塊的大小, See IO Tools docs for more informationon iterator and chunksize.

compression : {‘infer’, ‘gzip’, ‘bz2’, ‘zip’, ‘xz’, None}, default ‘infer’ 
直接使用磁盤上的壓縮文件。若是使用infer參數,則使用 gzip, bz2, zip或者解壓文件名中以‘.gz’, ‘.bz2’, ‘.zip’, or ‘xz’這些爲後綴的文件,不然不解壓。若是使用zip,那麼ZIP包中國必須只包含一個文件。設置爲None則不解壓。 
新版本0.18.1版本支持zip和xz解壓

thousands : str, default None 
千分位分割符,如「,」或者「.」

decimal : str, default ‘.’ 
字符中的小數點 (例如:歐洲數據使用’,‘).

float_precision : string, default None 
Specifies which converter the C engine should use for floating-point values. The options are None for the ordinary converter, high for the high-precision converter, and round_trip for the round-trip converter. 
指定

lineterminator : str (length 1), default None 
行分割符,只在C解析器下使用。

quotechar : str (length 1), optional 
引號,用做標識開始和解釋的字符,引號內的分割符將被忽略。

quoting : int or csv.QUOTE_* instance, default 0 
控制csv中的引號常量。可選 QUOTE_MINIMAL (0), QUOTE_ALL (1), QUOTE_NONNUMERIC (2) or QUOTE_NONE (3)

doublequote : boolean, default True 
雙引號,當單引號已經被定義,而且quoting 參數不是QUOTE_NONE的時候,使用雙引號表示引號內的元素做爲一個元素使用。

escapechar : str (length 1), default None 
當quoting 爲QUOTE_NONE時,指定一個字符使的不受分隔符限值。

comment : str, default None 
標識着多餘的行不被解析。若是該字符出如今行首,這一行將被所有忽略。這個參數只能是一個字符,空行(就像skip_blank_lines=True)註釋行被header和skiprows忽略同樣。例如若是指定comment=’#’ 解析‘#empty\na,b,c\n1,2,3’ 以header=0 那麼返回結果將是以’a,b,c’做爲header。

encoding : str, default None 
指定字符集類型,一般指定爲’utf-8’. List of Python standard encodings

dialect : str or csv.Dialect instance, default None 
若是沒有指定特定的語言,若是sep大於一個字符則忽略。具體查看csv.Dialect 文檔

tupleize_cols : boolean, default False 
Leave a list of tuples on columns as is (default is to convert to a Multi Index on the columns)

error_bad_lines : boolean, default True 
若是一行包含太多的列,那麼默認不會返回DataFrame ,若是設置成false,那麼會將改行剔除(只能在C解析器下使用)。

warn_bad_lines : boolean, default True 
若是error_bad_lines =False,而且warn_bad_lines =True 那麼全部的「bad lines」將會被輸出(只能在C解析器下使用)。

low_memory : boolean, default True 
分塊加載到內存,再低內存消耗中解析。可是可能出現類型混淆。確保類型不被混淆須要設置爲False。或者使用dtype 參數指定類型。注意使用chunksize 或者iterator 參數分塊讀入會將整個文件讀入到一個Dataframe,而忽略類型(只能在C解析器中有效)

buffer_lines : int, default None 
不推薦使用,這個參數將會在將來版本移除,由於他的值在解析器中不推薦使用

compact_ints : boolean, default False 
不推薦使用,這個參數將會在將來版本移除 
若是設置compact_ints=True ,那麼任何有整數類型構成的列將被按照最小的整數類型存儲,是否有符號將取決於use_unsigned 參數

use_unsigned : boolean, default False 不推薦使用:這個參數將會在將來版本移除 若是整數列被壓縮(i.e. compact_ints=True),指定被壓縮的列是有符號仍是無符號的。 memory_map : boolean, default False 若是使用的文件在內存內,那麼直接map文件使用。使用這種方式能夠避免文件再次進行IO操做。原文:https://blog.csdn.net/qq_24084925/article/details/79608684

相關文章
相關標籤/搜索