python pandas 中文件的读写——read_csv（）读取文件

Posted 2022-03-17 heguihui

read_csv()读取文件
1.python读取文件的几种方式
read_csv 从文件，url，文件型对象中加载带分隔符的数据。默认分隔符为逗号
read_table 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”）
read_fwf 读取定宽列格式数据（也就是没有分隔符）
read_cliboard 读取剪切板中的数据，可以看做read_table的剪切板。在将网页转换为表格时很有用
2.读取文件的简单实现
程序代码：

df=pd.read_csv(‘D:/project/python_instruct/test_data1.csv‘)
print(‘用read_csv读取的csv文件：‘, df)
df=pd.read_table(‘D:/project/python_instruct/test_data1.csv‘, sep=‘,‘)
print(‘用read_table读取csv文件：‘, df)
df=pd.read_csv(‘D:/project/python_instruct/test_data2.csv‘, header=None)
print(‘用read_csv读取无标题行的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读取自定义标题行的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读取时指定索引：‘, df)
parsed=pd.read_csv(‘D:/project/python_instruct/test_data3.csv‘, index_col=[‘key1‘, ‘key2‘])
print(‘read_csv将多个列做成一个层次化索引：‘)
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利用正则表达式处理文件读取：‘)
print(result)
 

输出结果：

用read_csv读取的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读取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读取无标题行的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读取自定义标题行的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读取时指定索引： a b c d
message
hello 1 2 3 4
world 5 6 7 8
foo 9 10 11 12
read_csv将多个列做成一个层次化索引：
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利用正则表达式处理文件读取：
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
 

3分块读取大型数据集
先看代码：

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

输出：

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
 

发现数据集大得已经超出内存。我们可以读取几行看看，如前10行：

result=pd.read_csv(‘D:\project\python_instruct\weibo_network.txt‘, nrows=10)
print(‘只读取几行：‘)
print(result)
 

 

输出结果：

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参数详解

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) 
可以是URL，可用URL类型包括：http, ftp, s3和文件。对于多文件正在准备中 
本地文件读取实例：://localhost/path/to/table.csv

sep : str, default ‘,’ 
指定分隔符。如果不指定参数，则会尝试使用逗号分隔。分隔符长于一个字符并且不是‘\s+’,将使用Python的语法分析器。并且忽略数据中的逗号。正则表达式例子：’\r\t’

delimiter : str, default None 
定界符，备选分隔符（如果指定该参数，则sep参数失效）

delim_whitespace : boolean, default False. 
指定空格(例如’ ‘或者’ ‘)是否作为分隔符使用，等效于设定sep=’\s+’。如果这个参数设定为Ture那么delimiter 参数失效。 
在新版本0.18.1支持

header : int or list of ints, default ‘infer’ 
指定行数用来作为列名，数据开始行数。如果文件中没有列名，则默认为0，否则设置为None。如果明确设定header=0 就会替换掉原来存在列名。header参数可以是一个list例如：[0,1,3]，这个list表示将文件中的这些行作为列标题（意味着每一列有多个标题），介于中间的行将被忽略掉（例如本例中的2；本例中的数据1,2,4行将被作为多级标题出现，第3行数据将被丢弃，dataframe的数据从第5行开始。）。 
注意：如果skip_blank_lines=True 那么header参数忽略注释行和空行，所以header=0表示第一行数据而不是文件的第一行。

names : array-like, default None 
用于结果的列名列表，如果数据文件中没有列标题行，就需要执行header=None。默认列表中不能出现重复，除非设定参数mangle_dupe_cols=True。

index_col : int or sequence or False, default None 
用作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。 
如果文件不规则，行尾有分隔符，则可以设定index_col=False 来是的pandas不适用第一列作为行索引。

usecols : array-like, default None 
返回一个数据子集，该列表中的值必须可以对应到文件中的位置（数字可以对应到指定的列）或者是字符传为文件中的列名。例如：usecols有效参数可能是 [0,1,2]或者是 [‘foo’, ‘bar’, ‘baz’]。使用这个参数可以加快加载速度并降低内存消耗。

as_recarray : boolean, default False 
不赞成使用：该参数会在未来版本移除。请使用pd.read_csv(…).to_records()替代。 
返回一个Numpy的recarray来替代DataFrame。如果该参数设定为True。将会优先squeeze参数使用。并且行索引将不再可用，索引列也将被忽略。

squeeze : boolean, default False 
如果文件值包含一列，则返回一个Series

prefix : str, default None 
在没有列标题时，给列添加前缀。例如：添加‘X’ 成为 X0, X1, …

mangle_dupe_cols : boolean, default True 
重复的列，将‘X’…’X’表示为‘X.0’…’X.N’。如果设定为false则会将所有重名列覆盖。

dtype : Type name or dict of column -> type, default None 
每列数据的数据类型。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。可以选择C或者是python。C引擎快但是Python引擎功能更加完备。

converters : dict, default None 
列转换函数的字典。key可以是列名或者列的序号。

true_values : list, default None 
Values to consider as True

false_values : list, default None 
Values to consider as False

skipinitialspace : boolean, default False 
忽略分隔符后的空白（默认为False，即不忽略）.

skiprows : list-like or integer, default None 
需要忽略的行数（从文件开始处算起），或需要跳过的行号列表（从0开始）。

skipfooter : int, default 0 
从文件尾部开始忽略。 (c引擎不支持)

skip_footer : int, default 0 
不推荐使用：建议使用skipfooter ，功能一样。

nrows : int, default None 
需要读取的行数（从文件头开始算起）。

na_values : scalar, str, list-like, or dict, default None 
一组用于替换NA/NaN的值。如果传参，需要制定特定列的空值。默认为‘1.#IND’, ‘1.#QNAN’, ‘N/A’, ‘NA’, ‘NULL’, ‘NaN’, ‘nan’`.

keep_default_na : bool, default True 
如果指定na_values参数，并且keep_default_na=False，那么默认的NaN将被覆盖，否则添加。

na_filter : boolean, default True 
是否检查丢失值（空字符串或者是空值）。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。

verbose : boolean, default False 
是否打印各种解析器的输出信息，例如：“非数值列中缺失值的数量”等。

skip_blank_lines : boolean, default True 
如果为True，则跳过空行；否则记为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列的值作为独立的日期列； 
list of lists. e.g. If [[1, 3]] -> 合并1,3列作为一个日期列使用 
dict, e.g. ‘foo’ : [1, 3] -> 将1,3列合并，并给合并后的列起名为”foo”

infer_datetime_format : boolean, default False 
如果设定为True并且parse_dates 可用，那么pandas将尝试转换为日期类型，如果可以转换，转换方法并解析。在某些情况下会快5~10倍。

keep_date_col : boolean, default False 
如果连接多列解析日期，则保持参与连接的列。默认为False。

date_parser : function, default None 
用于解析日期的函数，默认使用dateutil.parser.parser来做转换。Pandas尝试使用三种不同的方式解析，如果遇到问题则使用下一种方式。 
1.使用一个或者多个arrays（由parse_dates指定）作为参数； 
2.连接指定多列字符串作为一个列作为参数； 
3.每行调用一次date_parser函数来解析一个或者多个字符串（由parse_dates指定）作为参数。

dayfirst : boolean, default False 
DD/MM格式的日期类型

iterator : boolean, default False 
返回一个TextFileReader 对象，以便逐块处理文件。

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

compression : ‘infer’, ‘gzip’, ‘bz2’, ‘zip’, ‘xz’, None, default ‘infer’ 
直接使用磁盘上的压缩文件。如果使用infer参数，则使用 gzip, bz2, zip或者解压文件名中以‘.gz’, ‘.bz2’, ‘.zip’, or ‘xz’这些为后缀的文件，否则不解压。如果使用zip，那么ZIP包中国必须只包含一个文件。设置为None则不解压。 
新版本0.18.1版本支持zip和xz解压

thousands : str, default None 
千分位分割符，如“，”或者“.”

decimal : str, default ‘.’ 
字符中的小数点 (例如：欧洲数据使用’，‘).

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 
引号，用作标识开始和解释的字符，引号内的分割符将被忽略。

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

doublequote : boolean, default True 
双引号，当单引号已经被定义，并且quoting 参数不是QUOTE_NONE的时候，使用双引号表示引号内的元素作为一个元素使用。

escapechar : str (length 1), default None 
当quoting 为QUOTE_NONE时，指定一个字符使的不受分隔符限值。

comment : str, default None 
标识着多余的行不被解析。如果该字符出现在行首，这一行将被全部忽略。这个参数只能是一个字符，空行（就像skip_blank_lines=True）注释行被header和skiprows忽略一样。例如如果指定comment=’#’ 解析‘#empty\na,b,c\n1,2,3’ 以header=0 那么返回结果将是以’a,b,c’作为header。

encoding : str, default None 
指定字符集类型，通常指定为’utf-8’. List of Python standard encodings

dialect : str or csv.Dialect instance, default None 
如果没有指定特定的语言，如果sep大于一个字符则忽略。具体查看csv.Dialect 文档

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 
如果一行包含太多的列，那么默认不会返回DataFrame ，如果设置成false，那么会将改行剔除（只能在C解析器下使用）。

warn_bad_lines : boolean, default True 
如果error_bad_lines =False，并且warn_bad_lines =True 那么所有的“bad lines”将会被输出（只能在C解析器下使用）。

low_memory : boolean, default True 
分块加载到内存，再低内存消耗中解析。但是可能出现类型混淆。确保类型不被混淆需要设置为False。或者使用dtype 参数指定类型。注意使用chunksize 或者iterator 参数分块读入会将整个文件读入到一个Dataframe，而忽略类型（只能在C解析器中有效）

buffer_lines : int, default None 
不推荐使用，这个参数将会在未来版本移除，因为他的值在解析器中不推荐使用

compact_ints : boolean, default False 
不推荐使用，这个参数将会在未来版本移除 
如果设置compact_ints=True ，那么任何有整数类型构成的列将被按照最小的整数类型存储，是否有符号将取决于use_unsigned 参数

use_unsigned : boolean, default False 
不推荐使用：这个参数将会在未来版本移除 
如果整数列被压缩(i.e. compact_ints=True)，指定被压缩的列是有符号还是无符号的。 
memory_map : boolean, default False 
如果使用的文件在内存内，那么直接map文件使用。使用这种方式可以避免文件再次进行IO操作。

原文：https://blog.csdn.net/qq_24084925/article/details/79608684