Python Pandas - 读取带有注释标题行的 csv
Posted
技术标签:
【中文标题】Python Pandas - 读取带有注释标题行的 csv【英文标题】：Python Pandas - Read csv with commented header line 【发布时间】：2020-12-15 04:14:46 【问题描述】：我想用 pandas 读取和处理一个 csv 文件。该文件（如下所示）包含多个由# 标记指示的标题行。我可以通过使用轻松导入该文件
import pandas as pd
file = "data.csv"
data = pd.read_csv(file, delimiter="\s+",
names=["Time", "Cd", "Cs", "Cl", "CmRoll", "CmPitch", "CmYaw", "Cd(f)",
"Cd(r)", "Cs(f)", "Cs(r)", "Cl(f)", "Cl(r)"],
skiprows=13)
但是，我有很多具有不同标题名称的此类文件，我不想手动命名它们 (Time Cd Cs ...)。每个文件之间的注释行数也不同。所以我想自动化这个任务。
在将数据传递到 pandas 数据框之前，我是否必须在这里使用正则表达式之类的东西？
感谢您的建议。
是的，标题名称也以 # 开头。
data.csv：
# Force coefficients
# dragDir : (9.9735673312816520e-01 7.2660490528994301e-02 0.0000000000000000e+00)
# sideDir : (0.0000000000000000e+00 0.0000000000000000e+00 -1.0000000000000002e+00)
# liftDir : (-7.2660490528994315e-02 9.9735673312816520e-01 0.0000000000000000e+00)
# rollAxis : (9.9735673312816520e-01 7.2660490528994301e-02 0.0000000000000000e+00)
# pitchAxis : (0.0000000000000000e+00 0.0000000000000000e+00 -1.0000000000000002e+00)
# yawAxis : (-7.2660490528994315e-02 9.9735673312816520e-01 0.0000000000000000e+00)
# magUInf : 4.5000000000000000e+01
# lRef : 5.9399999999999997e-01
# Aref : 3.5639999999999999e-03
# CofR : (1.4999999999999999e-01 0.0000000000000000e+00 0.0000000000000000e+00)
#
# Time Cd Cs Cl CmRoll CmPitch CmYaw Cd(f) Cd(r) Cs(f) Cs(r) Cl(f) Cl(r)
5e-06 1.8990180226147195e+00 1.4919925634649792e-11 2.1950119509976829e+00 -1.1085971520784955e-02 -1.0863798447281650e+00 9.5910040927874810e-03 9.3842303978657482e-01 9.6059498282814471e-01 9.5910041002474442e-03 -9.5910040853275178e-03 1.1126130770676479e-02 2.1838858202270064e+00
1e-05 2.1428508927716594e+00 1.0045114197556737e-08 2.5051633252700962e+00 -1.2652317494411272e-02 -1.2367567798452046e+00 1.0822379290263353e-02 1.0587731288914184e+00 1.0840777638802410e+00 1.0822384312820453e-02 -1.0822374267706254e-02 1.5824882789843508e-02 2.4893384424802525e+00
...
【问题讨论】：
你的标题总是在#行的最后位置吗？ 实际上大部分文件 - 所以yesno :) 编辑：是的。 【参考方案1】：在读取文件之前提取标题怎么样？
我们只假设您的标题行以# 开头。标题的提取及其在文件中的位置是自动的。我们还确保不会读取多余的行（第一条数据行除外）。
with open(file) as f:
line = f.readline()
cnt = 0
while line.startswith('#'):
prev_line = line
line = f.readline()
cnt += 1
# print(prev_line)
header = prev_line.strip().lstrip('# ').split()
df = pd.read_csv(file, delimiter="\s+",
names=header,
skiprows=cnt
)
这样，您还可以处理其他标题行。它还为您提供文件中标题的位置。
【讨论】：
这很好用。谢谢你。但是，由于我的文件很大，我只会阅读@Manakin 提到的前 50 行 @Sunsheep，我的解决方案只读取标题行 + 第一个数据行。因此，如果您的标题是 13 行，那么您将阅读 14 行。【参考方案2】：这应该可以，它既简单又高效，它将变量保持在最低限度，并且除了文件名之外不需要任何输入。
with open(file, 'r') as f:
for line in f:
if line.startswith('#'):
header = line
else:
break #stop when there are no more #
header = header[1:].strip().split()
data = pd.read_csv(file, delimiter="\s+", comment='#', names=header)
您首先打开文件并只读取注释行（这将快速且节省内存）。最后一个有效行将是最终标题，它将被清理并转换为列表。最后，使用pandas.read_csv() 和comment='#' 打开文件，这将跳过注释行和names=header。
【讨论】：
效果很好。谢谢。类似于 Stefans 的回答。他快了一点:)【参考方案3】：一点正则表达式可能会有所帮助。
这不是最漂亮的解决方案，因此请随时发布更好的解决方案。
让我们读取任何文件的前 50 行，以找到最后一次出现的散列，它应该是列名。
^ 在行首断言位置
# 匹配字符 # 字面意思（区分大小写）
import re
n_rows = 50
path_ = 'your_file_location'
with open(path_,'r') as f:
data = []
for i in range(n_rows): # read only 50 rows here.
for line in f:
if re.match('^#',line):
data.append(line)
start_col = max(enumerate(data))[0]
df = pd.read_csv(path_,sep='\s+',skiprows=start_col) # use your actual delimiter.
# Time Cd Cs Cl CmRoll CmPitch \
0 0.000005 1.899018 1.491993e-11 2.195012 -0.011086 -1.086380 0.009591
1 0.000010 2.142851 1.004511e-08 2.505163 -0.012652 -1.236757 0.010822
CmYaw Cd(f) Cd(r) Cs(f) Cs(r) Cl(f) Cl(r)
0 0.938423 0.960595 0.009591 -0.009591 0.011126 2.183886 NaN
1 1.058773 1.084078 0.010822 -0.010822 0.015825 2.489338 NaN
编辑，处理列名中的#。
我们可以分两步完成。
我们可以读取 0 行，但对标题列进行切片。
首先从标题行读取文件，但将header 参数设置为None，因此不会设置任何标题。
然后我们可以手动设置列标题。
df = pd.read_csv(path_,sep='\s+',skiprows=start_col + 1, header=None)
df.columns = pd.read_csv(path_,sep='\s+',skiprows=start_col,nrows=0).columns[1:]
print(df)
Time Cd Cs Cl CmRoll CmPitch CmYaw \
0 0.000005 1.899018 1.491993e-11 2.195012 -0.011086 -1.086380 0.009591
1 0.000010 2.142851 1.004511e-08 2.505163 -0.012652 -1.236757 0.010822
Cd(f) Cd(r) Cs(f) Cs(r) Cl(f) Cl(r)
0 0.938423 0.960595 0.009591 -0.009591 0.011126 2.183886
1 1.058773 1.084078 0.010822 -0.010822 0.015825 2.489338
【讨论】：
这无法处理标题名称行上的# 注释标记，该标签导致最后一列中的 NaN，因为 pandas 认为最初的 # 也是标题名称。但你的解决方案对我来说是一个好的开始。谢谢。
@Sunsheep 实际上是你的 delim '\s+' ?
是的。您的编辑效果很好，但在我看来 Stefans 的回答更加优雅 :) 但是，这些文件很大，所以您的解决方案只读取前 50 行非常方便。【参考方案4】：
为了简化它并在不使用循环的情况下节省时间，您可以为 # 注释行创建 2 个数据框，其余的。
从那些注释行中取最后一个 - 那是您的标题，然后使用 concat() 合并数据数据框和此标题，如果需要将第一行指定为标题，您可以使用 df.columns=df.iloc[0]
df = pd.DataFrame(
'A':['#test1 : (000000)','#test1 (000000)','#test1 (000000)','#test1 (000000)','#Time (000000)','5e-06','1e-05'],
)
print(df)
A
0 #test1 : (000000)
1 #test1 (000000)
2 #test1 (000000)
3 #test1 (000000)
4 #Time (000000)
5 5e-06
6 1e-05
df_header = df[df.A.str.contains('^#')]
print(df_header)
A
0 #test1 : (000000)
1 #test1 (000000)
2 #test1 (000000)
3 #test1 (000000)
4 #Time (000000)
df_data = df[~df.A.str.contains('^#')]
print(df_data)
A
5 5e-06
6 1e-05
df = (pd.concat([df_header.iloc[[-1]],df_data])).reset_index(drop=True)
df.A=df.A.str.replace(r'^#',"")
print(df)
A
0 Time (000000)
1 5e-06
2 1e-05
【讨论】：
【参考方案5】：假设 cmets 总是以单个 '#' 开头，并且标题位于最后一个注释行中：
import csv
def read_comments(csv_file):
for row in csv_file:
if row[0] == '#':
yield row.split('#')[1].strip()
def get_last_commented_line(filename):
with open(filename, 'r', newline='') as f:
decommented_lines = [line for line in csv.reader(read_comments(f))]
header = decommented_lines[-1]
skiprows = len(decommented_lines)
return header, skiprows
header, skiprows = get_last_commented_line(path)
pd.read_csv(path, names=header, skiprows=skiprows)
【讨论】：
【参考方案6】：# Read the lines in file
with open(file) as f:
lines = f.readlines()
# Last commented line is header
header = [line for line in lines if line.startswith('#')][-1]
# Strip line and remove '#'
header = header[1:].strip().split()
df = pd.read_csv(file, delimiter="\s+", names=header, comment='#')
【讨论】：
以上是关于Python Pandas - 读取带有注释标题行的 csv的主要内容，如果未能解决你的问题，请参考以下文章
使用 numpy / pandas 读取 Python 中 CSV 文件的最后 N 行
使用 numpy / pandas 读取 Python 中 CSV 文件的最后 N 行