Pandas读取CSV
Pandas读取CSV
语法
基本语法如下，同时可以把pandas模块导入后设置别名为pd:
pd.read_csv(filepath_or_buffer, sep=',', delimiter=None, header='infer',
names=None, index_col=None, usecols=None, squeeze=False,
prefix=None, mangle_dupe_cols=True, dtype=None, engine=None,
converters=None, true_values=None, false_values=None, skipinitialspace=False,
skiprows=None, nrows=None, na_values=None, keep_default_na=True,
na_filter=True, verbose=False, skip_blank_lines=True, parse_dates=False,
infer_datetime_format=False, keep_date_col=False, date_parser=None,
dayfirst=False, iterator=False, chunksize=None, compression='infer',
thousands=None, decimal=b'.', lineterminator=None, quotechar='"',
quoting=0, escapechar=None, comment=None, encoding=None, dialect=None,
tupleize_cols=False, error_bad_lines=True, warn_bad_lines=True, skipfooter=0,
skip_footer=0, doublequote=True, delim_whitespace=False, as_recarray=False,
compact_ints=False, use_unsigned=False, low_memory=True, buffer_lines=None,
memory_map=False, float_precision=None)
一般情况下，会将读取到的数据返回一个DataFrame，当然按照参数的要求会返回指定的类型。
数据内容
filepath_or_buffer为第一个参数，没有默认值，不能为空，根据python的语法，第一个参数可以不写参数名。可以传文件路径：
#支持文件路径或者文件缓冲对象
#本地的相对路径
pd.read_csv('data/data.csv') #注意目录的层级关系
pd.read_csv('data.csv') #使用在代码和文件在同一个目录下
pd.read_csv('data/my/my.data') #CSV的扩展名字不一定就是.csv
#本地绝对路径
pd.read_csv('/usr/gairuo/data/data.csv')
#使用URL
pd.read_csv('https://www.gairuo.com/file/data/dataset/GDP-China.csv')
这里要注意的是路径的使用，在Mac和Windows上的路径写法是不一样的，上面实例使用的是Mac中的写法，Windows中的绝对路径和相对路径需要分别换成类似'data\data.csv'和'E:\data\data.csv'的格式！！
另外，路径尽量不要用中文，容易报错，所以在存放数据文件的目录尽量要用英文名字。
可以传输字符串，CSV中的数据字符以字符串形式直接传入：
from io import StringIO
data = ('col1,col2,col3\n'
'a,b,1\n'
'a,b,2\n'
'c,d,3')
pd.read_csv(StringIO(data))
pd.read_csv(StringIO(data),dtype=object)
也可以传入字节数据：
from io import BytesIO
data = (b'word,length\n'
b'Tr\xc3\xa4umen,7\n'
b'Gr\xc3\xbc\xc3\x9fe,5')
pd.read_csv(BytesIO(data))
分隔符
sep参数是字符型的，代表每行数据内容的分割符号，默认是逗号，另外常见的还有制表符(\t)、空格等。根据数据的实际情况传参。
#数据分隔符默认是逗号，可以指定其他符号
pd.read_csv(data,sep='\t') #制表符分隔tab
pd.read_table(data) #read_table默认是制表符分隔tab
pd.read_csv(data,sep='|') #制表符分隔tab
pd.read_csv(data,sep="(?<!a)\|(?!1)",engine='python') #使用正则表达式
pd.read_csv还提供了一个参数名为delimiter的定界符，这是一个备选分隔符，是sep的别名，和sep的效果是一样的，如果指定该参数，sep就会失效。
表头
header参数支持整型和由整形组成的列表，指定第几行表头，默认会自动推断把第一行作为表头。
pd.read_csv(data,header=0) #第一行作为表头
pd.read_csv(data,header=None) #没有表头
pd.read_csv(data,header=[0,1,3])#多层索引MultiIndex
需要注意的是：如果skip_blank_lines=True，header参数将忽略空行和注释行，因此header=0表示第一行数据而非文件的第一行！！！
列名
names用来指定列的名称，它是一个类似列表的序列，与数据一一对应。如果文件不包含列名，那么就设置header=None,列名列表不允许由重复值。
pd.read_csv(data,names=['列1','列2'])#指定列名列表
pd.read_csv(data,names=['列1','列2'],header=None)
索引
index_col用来指定索引列，可以是行索引的列编号或者列名，如果给定一个序列，则有多个行索引。Pandas不会自动将第一列作为索引，不指定时会自动使用以0开始的自然索引。
#支持int、str、int序列、str序列、False,默认为None
pd.read_csv(data,index_col=False) #不再使用首列作为索引
pd.read_csv(data,index_col='年份') #第几列是索引
pd.read_csv(data,index_col=['a','b']) #多个索引
pd.read_csv(data,index_col=[0,3])#按列索引指定多个索引
使用部分列
如果使用数据的部分列，就可以用usecols指定，这样可以减少内存的消耗并提高加载速度。
#支持类似列表的序列和可调用对象
#读取部分列
pd.read_csv(data,usecols=[0,4,3]) #按索引读取指定列，和顺序没有关系
pd.read_csv(data,usecols=['列1','列5']) #按列名（列名必须是存在的！）
pd.read_csv(data,usecols=['列1','列5'])[['列5','列1']]
#以下用callable方式可以巧妙指定顺序，in后面的是我们要的顺序
pd.read_csv(data,usecols=lambda x:x.upper() in ['COL3','COL1'])
返回序列
将squeeze设置为True，如果文件只包含一列，则返回一个Series，如果有多列，则还是返回DataFrame。
#布尔型，默认为False
#下例只取一列，会返回一个Series
pd.read_csv(data,usecols=[0],squeeze=True)
#有两列则还是DataFrame
pd.read_csv(data,usecols=[0,2],squeeze=True)
表头前缀
如果原始数据没有列名，可以指定一个前缀加序数的名称，如n0、n1，通过prefix参数指定前缀。
#格式为字符型str
#表头为c_0、c_2
pd.read_csv(data,prefix='c_',header=None)
处理重复列名
如果该参数为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。
如果该参数为False，那么当列名中有重复时，前列将会被后列覆盖！
#布尔型，默认为True
data = 'a,b,a\n0,1,2\n3,4,5'
pd.read_csv(StringIO(data),mangle_dupe_cols=True)
#表头为a b a.1
#False会报ValueError错误
数据类型
dtype可以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(data,dtype=np.float64)#所有数据均为此数据类型
pd.read_csv(data,dtype={'c1':np.float64,'c2':str})#指定字段的类型
pd.read_csv(data,type=[datatime,datatime,str,float])#依次指定
引擎
使用的分析引擎可以选择C或Python。C语言的速度最快，Python语言的功能最为完善，一般情况下，不需要另行指定。
# 格式为engine=None,其中可选值有{'c','python'}
pd.read_csv(data,engine='c')
列数据处理
使用converters参数对列的数据进行转换，参数中指定列名与针对此列的处理函数，最终以字典的形式传入，字典的键可以时列名或者列的序号。
#字典的格式，默认为None
data = 'x,y\na,1\nb,2'
def foo(p):
return p+'s'
#x应用函数,y使用lambda
pd.read_csv(StringIO(data),converters={'x':foo,'y':lambda x:x*3})
#使用列索引
pd.read_csv(StringIO(data),converters={0:foo,1:lambda x:x*3})
真假值转换
使用true_values和false_value将指定的文本内容转换为True或False，可以用列表指定多个值。
#列表，默认为None
data=('a,b,c\n1,Yes,2\n3,No,4')
pd.read_csv(StringIO(data),true_values=['Yes'],false_values=['No'])
跳过指定行
如下跳过需要忽略的行数或需要忽略的行号列表（从0开始）：
#类似列表的序列或可调用对象
#跳过前三行
pd.read_csv(data,skiprows=2)
pd.read_csv(data,skiprows=range(2))
#跳过指定行
pd.read_csv(data,skiprows=[24,234,141])
pd.read_csv(data,skiprows=np.array([2,6,11]))
#隔行跳过
pd.read_csv(data,skiprows=lambda x:x%2!=0)
尾部跳过，从文件尾部开始忽略，C引擎是不支持的！！
# int类型，默认为0
pd.read_csv(filename,skipfooter=1) #最后一行不加载
skip_blank_lines指定是否跳过空行，如果为True，则跳过空行，否则数据记为NaN。
#布尔型，默认为True
#不跳过空行
pd.read_csv(data,skip_blank_lines=False)
如果skip_blank_lines=True，header参数将忽略空行和注释行，因此header=0表示第一行数据而非文件的第一行！！
读取指定行
nrows参数用于指定需要读取的行数，从文件第一行算起，经常用于较大的数据，先取部分进行代码编写。
# int类型，默认为None
pd.read_csv(data,nrows=1000)
空值替换
na_values参数的值是一组用于替换NA/NaN的值。如果传参，需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','NaN','-NaN',
'nan','-nan','']
使用na_values时需要关注下面keep_default_na的配合使用和影响：
#可传入标量、字符串、类似列表序列和字典，默认为None
#5和5.0会被认为是NaN
pd.read_csv(data,na_values=[5])
#?会被认为是NaN
pd.read_csv(data,na_values='?')
#空值为NaN
pd.read_csv(data,keep_default_na=False,na_values=[""])
#字符NA和字符0会被认为是NaN
pd.read_csv(data,keep_default_na=False,na_values=["NA","0"])
#Nope会被认为是NaN
pd.read_csv(data,na_values=["Nope"])
#a、b、c均被认为是NaN，等于na_values=['a','b','c']
pd.read_csv(data,na_values='abc')
#指定列的指定值会被认为是NaN
pd.read_csv(data,na_values={'c':3,1:[2,5]})
保留默认空值
分析数据时是否包含有默认空值NaN，是否自动识别。
如果指定na_values参数，并且keep_default_na=False，那么默认的NaNcy将被覆盖，否则添加。
| keep_default_na | na_values | 逻辑 |
|---|---|---|
| TRUE | 指定 | na_values的配置附加处理 |
| TRUE | 未指定 | 自动识别 |
| FALSE | 指定 | 使用na_values的配置 |
| FALSE | 未指定 | 不做处理 |
如果na_filter为False（默认是True），那么keep_default_na和na_values参数都无效！！
#布尔型，默认为True
#不自动识别空值
pd.read_csv(data,keep_default_na=False)
na_filter是否检查丢失值。对于大文件来说，数据集中没有空值，设定na_filter=False可以提升读取速度。
#布尔型，默认为True
pd.read_csv(data,na_filter=False)#不检查！
日期时间解析
日期时间解析器参数data_parser用于解析日期的函数，默认使用dateutil.parser.parser来做转换。如果为某些或所有列启用了parse_dates，并且datetime字符串的格式都相同，则通过设置infer_datetime_format=True，可以大大提高解析速度，pandas将尝试推断datetime字符串的格式，然后使用更快的方法解析字符串，从而将解析速度提高5~10倍。如果无法对整列做出正确的推断解析，Pandas将返回到正常的解析模式。
下面是一些可以自动推断的日期时间字符串示例，它们都表示2020年12月30日00:00:00：
- "20201230"
- "2020/12/30"
- "20201230 00:00:00"
- "12/30/2020 00:00:00"
- "30/Dec/2020 00:00:00"
- "30/December/2020 00:00:00"
#解析时间的函数名，默认为None
#解析时间解析库，默认是dateutil.parser.parser
data_parser = pd.io.date_converters.parse_date_time
date_parser = lambda x :pd.to_datetime(x,utc=True,format='%d%b%Y')
date_parser = lambda d :pd.datetime.strptime(d,'%d%b%Y')
#使用
pd.read_csv(data,parse_dates=['年份'],date_parser=date_parser)
parse_dates参数用于对时间日期进行解析
#布尔值、整型组成的列表、列表组成的列表或字典，默认为False
pd.read_csv(data,parse_dates=True) #自动解析日期时间格式
pd.read_csv(data,parse_dates=['年份']) #指定日期时间字段进行解析
#将第1、4列合并解析成名为“时间”的时间类型列
pd.read_csv(data,parse_dates={'时间':[1,4]})
如果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(data,parse_dates=True,infer_datetime_format=True)
如果用上文中的parse_dates参数将多列合并并解析成一个时间列，设置keep_date_col的值为True时，会保留这些原有的时间组成列；如果设置为False，则不保留这些列。
#布尔型，默认为False
pd.read_csv(data,parse_dates=[[1,2],[1,3]],keep_date_col=True)
对于DD/MM格式的日期类型，如日期2020-01-06，如果dayfirst=True，则会转换成2020-06-01。
#布尔型，默认为False
pd.read_csv(data,dayfirst=True,parse_dates=[0])
cache_dates如果为True，则使用唯一的转换日期缓存在应用datetime转换。解析重复的日期字符串，尤其时带有时区偏移的日期字符串时，可能会大大提高速度。
#布尔型，默认为True
pd.read_csv(data,cache_dates=False)
文件处理
以下是一些对读取文件对象的处理方法。iterator参数如果设置为True，则返回一个TextFileReader对象，并可以对它进行迭代，以便逐块处理文件。
#布尔型，默认为False
pd.read_csv(data,iterator=True)
chunksize指定文件块的大小，分块处理大型CSV文件。
#整型，默认为None
pd.read_csv(data,chunksize=100000)
#分块处理大文件
df_iterator=pd.read_csv(file,chunksize=50000)
def process_dataframe(df):
pass
return processed_df
for index,df_tmp in enumerate(df_iterator):
df_processed=process_dataframe(df_tmp)
if index > 0:
df_processed.to_csv(path)
else:
df_processed.to_csv(path,mode='a',header=False)
compression（压缩格式）用于对磁盘数据进行即时解压缩。如果为“infer”，且filepath_or_buffer是以.gz、.bz2、.zip或.xz结尾的字符串，则使用gzip、bz2、zip或xz，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将不进行解压缩。
#可选的有'infer'、'gzip'、'zip'、'xz'和None，默认为'infer'
pd.read_csv('sample.tar.gz',compression='gzip')
encoding（编码）指定字符集类型，通常指定为'utf-8'。
#字符型，默认为None
pd.read_csv('gairuo.csv',encoding='utf8')
pd.read_csv("gairuo.csv",encoding="gb2312") #常见中文
符号
以下是对文件中的一些数据符号进行的特殊识别处理。如下设置千分位分隔符thousands：
# 字符型，默认为None
pd.read_csv('test.csv',thousands=',')#逗号分隔
小数点decimal，识别为小数点的字符。
# 字符串，默认为‘.’
pd.read_csv(data,decimal=',')
行结束符lineterminator，将文件分成几行的字符，仅对C解析器有效。
#长度为1的字符串，默认为None
data='a,b,c~1,2,3~4,5,6'
pd.read_csv(StringIO(data),lineterminator='~')
引号quotechar，用于表示引用数据的开始和结束的字符。引用的项目可以包含定界符，它将被忽略。
#长度为1的字符串
pd.read_csv(file,quotechar='"')
在csv模块中，数据可能会用引号等字符包裹起来，quoting参数用来控制识别字段的引号模式，它可以是Python csv模块中的csv.QUOTE_*常量，也可以传入对应的数字。各个传入值的意义如下。
- 0或csv.QUOTE_MINIMAL：仅特殊字段有引号。
- 1或csv.QUOTE_ALL：所有字段都有引号。
- 2或csv.QUOTE_NONNUMERIC：所有非数字字段都有引号。
- 3或csv.QUOTE_NONE：所有字段都没有引号。
如果使用csv模块，则需要事先引入csv模块。
#整形或者csv.QUOTE_*实例，默认为0
import csv
pd.read_csv('input_file.csv',quoting=csv.QUOTE_NONE)
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，使用双引号表示将引号内的元素作为一个元素使用。
# 布尔值，默认为True
import csv
pd.read_csv('data.csv',quotechar='"',doublequote=True,quoting=csv.QUOTE_NONNUMERIC)
escapechar可以传入一个转义符，用于过滤数据中的该转入符。比如，如果一行用双引号包裹着的数据中有换行符，用以下代码可以过滤其中的换行符。
# 长度为1的转义字符串，默认为None
pd.read_csv(StringIO(data),escapechar='\n',encoding='utf-8')
注释标识comment，指示不应分析行的部分。如果在一行的开头找到该标识，则将完全忽略该行。此参数必须是单个字符。像空行一样（只要skip_blank_lines = True），注释的行将被参数header忽略，而不是被skiprows忽略。例如，如果comment ='＃'，则解析header=0的'#empty \ na，b，c \n1,2,3'会将'a，b，c'视为header。
# 字符串，默认为None
s = '# notes\na,b,c\n# more notes\n1,2,3'
pd.read_csv(StringIO(s),sep=',',comment='#',skiprows=1)
空格分隔符delim_whitespace，指定是否将空格（例如''或'\t'）用作分隔符，等效于设置sep ='\s+'。如果此选项设置为True，则不应该为delimiter参数传递任何内容。
# 布尔型，默认为False
pd.read_csv(StringIO(data),delim_whitespace=False)
浙公网安备 33010602011771号