pandas可以将读取到的表格型数据(文件不一定要是表格)转成DataFrame类型的数据结构,然后我们可以通过操作DataFrame进行数据分析,数据预处理以及行和列的操作等。下面介绍一些常用读取文件的方法
1、read_csv函数
功能:从文件、URL、文件新对象中加载带有分隔符的数据,默认分隔符是逗号。
data.txt
a,b,c,d,name 1,2,3,4,python 5,6,7,8,java 9,10,11,12,c++
data = pd.read_csv("data.txt") print(data) ''' a b c d name 0 1 2 3 4 python 1 5 6 7 8 java 2 9 10 11 12 c++ '''
2、read_table函数
功能:从文件、URL、文件型对象中加载带分隔符的数据,默认分隔符为制表符("\t")。
data.txt的内容还是不变,我们可以通过指定read_table的sep参数来修改默认的分隔符。
data = pd.read_table("data.txt",sep=",") print(data) ''' a b c d name 0 1 2 3 4 python 1 5 6 7 8 java 2 9 10 11 12 c++ '''
3、读取没有标题的文件
data.txt
1,2,3,4,python 5,6,7,8,java 9,10,11,12,c++
data = pd.read_csv("data.txt") #默认将第一行作为标题 print(data) ''' 1 2 3 4 python 0 5 6 7 8 java 1 9 10 11 12 c++ ''' #设置header参数,读取文件的时候没有标题 data1 = pd.read_csv("data.txt",header=None) print(data1) ''' 0 1 2 3 4 0 1 2 3 4 python 1 5 6 7 8 java 2 9 10 11 12 c++ ''' #设置names参数,来设置文件的标题 data2 = pd.read_csv("data.txt",names=["a","b","c","d","name"]) print(data2) ''' a b c d name 0 1 2 3 4 python 1 5 6 7 8 java 2 9 10 11 12 c++ '''
4、读取文件设置列索引
#设置names参数,来设置文件的标题,设置index_col参数来设置列索引 data2 = pd.read_csv("data.txt",names=["a","b","c","d","name"],index_col="name") print(data2) ''' a b c d name python 1 2 3 4 java 5 6 7 8 c++ 9 10 11 12 '''
如果不设置列索引,默认会使用从0开始的整数索引。当对表格的某一行或列进行操作之后,在保存成文件的时候你会发现总是会多一列从0开始的列,如果设置index_col参数来设置列索引,就不会出现这种问题了。
a、指定多个列为列索引产生一个层次化索引
一个值由两个列索引(key1和kye2)和一个行索引(value1或value2)来决定,可以将其理解为一个三维数据,三个点来构成一个坐标位置。
data.txt
key1,key2,value1,value2 a,a,1,2 a,b,3,4 b,c,5,6 b,d,7,8 c,e,9,10 c,f,11,12
data = pd.read_csv("data.txt",index_col=["key1","key2"]) print(data) ''' value1 value2 key1 key2 a a 1 2 b 3 4 b c 5 6 d 7 8 c e 9 10 f 11 12 '''
5、对于不规则分隔符,使用正则表达式读取文件
文件中的分隔符采用的是空格,那么我们只需要设置sep=" "来读取文件就可以了。当分隔符并不是单个的空格,也许有的是一个空格有的是多个空格时,如果这个时候还是采用sep=" "来读取文件,也许你就会得到一个很奇怪的数据,因为它会将空格也做为数据。
data.txt
name a b c d python 1 2 3 4 java 5 6 7 8 c++ 9 10 11 12
data = pd.read_csv("data.txt",sep=" ") print(data) ''' name a Unnamed: 2 Unnamed: 3 b Unnamed: 5 c Unnamed: 7 \ python NaN NaN 1.0 NaN 2 3.0 NaN NaN java 5.0 6.0 NaN 7.0 8 NaN NaN NaN c++ NaN 9.0 NaN NaN 10 NaN NaN 11.0 Unnamed: 8 Unnamed: 9 d python NaN NaN 4.0 java NaN NaN NaN c++ NaN 12.0 NaN '''
使用正则表达式进行分割就可以避免上面问题的发生
data = pd.read_csv("data.txt",sep="\s+") print(data) ''' name a b c d 0 python 1 2 3 4 1 java 5 6 7 8 2 c++ 9 10 11 12 '''
6、跳行读取文件
有的时候,你会遇到表格中的某些行数据你并不需要。可以通过skiprows参数来跳过这些行。
data.txt
#data.txt name,a,b,c,d python,1,2,3,4 #hello java,5,6,7,8 #word c++,9,10,11,12
#通过skiprows参数来设置跳过行,从0开始 data = pd.read_csv("data.txt",skiprows=[0,3,5]) print(data) ''' name a b c d 0 python 1 2 3 4 1 java 5 6 7 8 2 c++ 9 10 11 12 '''
7、读取含有缺失值的文件
使用pandas在读取文件的时候,pandas会默认将NA、-1.#IND、NULL等当作是缺失值,pandas默认使用NaN进行代替。
data.txt
name,a,b,c,d python,1,NA,3,4 java,5,6,7,NULL c++,-1.#IND,10,,12
data = pd.read_csv("data.txt") print(data) ''' name a b c d 0 python 1.0 NaN 3.0 4.0 1 java 5.0 6.0 7.0 NaN 2 c++ NaN 10.0 NaN 12.0 '''
也许有的时候也许pandas默认被当作的缺失值还不能满足你的要求,我们可以通过设置na_values,将指定的值替换成为NaN值
data1 = pd.read_csv("data.txt",na_values=["java","c++"]) print(data1) ''' name a b c d 0 python 1.0 NaN 3.0 4.0 1 NaN 5.0 6.0 7.0 NaN 2 NaN NaN 10.0 NaN 12.0 '''
也许有时候你还会遇到,你想将某个值替换成为NaN,但是可能有多个列都包含了这个值,而我们却不想替换所有的列,我们可以通过一个字典的形式来设置na_values参数,字典的键就是列索引,值就是你要替换的值。
data.txt
name,a,b,c,d python,1,NA,3,4 java,5,6,python,NULL c++,-1.#IND,10,,c++
#将python和c++都用NaN进行替代,将所有的python和c++都替换成了NaN data1 = pd.read_csv("data.txt",na_values=["python","c++"]) print(data1) ''' name a b c d 0 NaN 1.0 NaN 3.0 4.0 1 java 5.0 6.0 NaN NaN 2 NaN NaN 10.0 NaN NaN '''
只将第一列的python和c++替换为NaN
#将python和c++都用NaN进行替代 dic = {"name":["python","c++"]} data1 = pd.read_csv("data.txt",na_values=dic) print(data1) ''' name a b c d 0 NaN 1.0 NaN 3 4 1 java 5.0 6.0 python NaN 2 NaN NaN 10.0 NaN c++ '''
8、read_csv和read_tabel的参数介绍
read_csv和read_table函数有很多的参数,下面对一些重点参数进行介绍。
参数:
path:表示文件系统位置、URL、文件型对象的字符串。
sep或delimiter:用于对行中各字段进行拆分的字符序列或正则表达式。
header:用作列名的行号。默认为0(第一行),如果文件没有标题行就将header参数设置为None。
index_col:用作行索引的列编号或列名。可以是单个名称/数字或有多个名称/数字组成的列表(层次化索引)。
names:用于结果的列名列表,结合header=None,可以通过names来设置标题行。
skiprows:需要忽略的行数(从0开始),设置的行数将不会进行读取。
na_values:设置需要将值替换成NA的值。
comment:用于注释信息从行尾拆分出去的字符(一个或多个)。
parse_dates:尝试将数据解析为日期,默认为False。如果为True,则尝试解析所有列。除此之外,参数可以指定需要解析的一组列号或列名。如果列表的元素为列表或元组,就会将多个列组合到一起再进行日期解析工作。
keep_date_col:如果连接多列解析日期,则保持参与连接的列。默认为False。
converters:由列号/列名跟函数之间的映射关系组成的字典。如,{"age:",f}会对列索引为age列的所有值应用函数f。
dayfirst:当解析有歧义的日期时,将其看做国际格式(例如,7/6/2012 ---> June 7 , 2012)。默认为False。
date_parser:用于解析日期的函数。
nrows:需要读取的行数。
iterator:返回一个TextParser以便逐块读取文件。
chunksize:文件块的大小(用于迭代)。
skip_footer:需要忽略的行数(从文件末尾开始计算)。
verbose:打印各种解析器输出信息,如“非数值列中的缺失值的数量”等。
encoding:用于unicode的文本编码格式。例如,"utf-8"或"gbk"等文本的编码格式。
squeeze:如果数据经过解析之后只有一列的时候,返回Series。
thousands:千分位分隔符,如","或"."。
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持呐喊教程。
声明:本文内容来源于网络,版权归原作者所有,内容由互联网用户自发贡献自行上传,本网站不拥有所有权,未作人工编辑处理,也不承担相关法律责任。如果您发现有涉嫌版权的内容,欢迎发送邮件至:notice#nhooo.com(发邮件时,请将#更换为@)进行举报,并提供相关证据,一经查实,本站将立刻删除涉嫌侵权内容。