使用pandas读取文件的实现
人气:0pandas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"."。
您可能感兴趣的文章:
加载全部内容