将压缩文件读取为 pandas DataFrame

Posted 2023-02-16

【中文标题】将压缩文件读取为 pandas DataFrame

【英文标题】：Read a zipped file as a pandas DataFrame

【发布时间】：2013-09-23 23:26:40

【问题描述】：

我正在尝试解压缩一个 csv 文件并将其传递给 pandas，以便我可以处理该文件。 到目前为止我尝试过的代码是：

import requests, zipfile, StringIO
r = requests.get('http://data.octo.dc.gov/feeds/crime_incidents/archive/crime_incidents_2013_CSV.zip')
z = zipfile.ZipFile(StringIO.StringIO(r.content))
crime2013 = pandas.read_csv(z.read('crime_incidents_2013_CSV.csv'))

在最后一行之后，虽然python能够获取文件，但我在错误的末尾得到一个“不存在”。

谁能告诉我我做错了什么？

【参考方案1】：

如果您想将压缩文件或 tar.gz 文件读入 pandas 数据帧，read_csv 方法包含此特定实现。

df = pd.read_csv('filename.zip')

或长格式：

df = pd.read_csv('filename.zip', compression='zip', header=0, sep=',', quotechar='"')

docs 中压缩参数的描述：

压缩 : ‘infer’, ‘gzip’, ‘bz2’, ‘zip’, ‘xz’, None，默认‘infer’ 用于磁盘数据的即时解压缩。如果“infer”和 filepath_or_buffer 类似于路径，则从以下扩展名检测压缩：“.gz”、“.bz2”、“.zip”或“.xz”（否则不解压缩）。如果使用“zip”，则 ZIP 文件必须只包含一个要读取的数据文件。设置为 None 不解压缩。

0.18.1 版中的新功能：支持“zip”和“xz”压缩。

【讨论】：

不支持压缩文件，只支持 gzip 和 bz2。这很烦人，因为 zip 很常见。我想这是因为 zip 不是开源的？

pandas 0.18.1 现已支持 zip

此解决方案适用于 gzip 压缩文件，但不适用于 .tar.gz 文件 (Pandas 0.19.2) Pandas 不支持 Tar.gz！见：github.com/pandas-dev/pandas/issues/…

能否告诉我们是否有任何特殊原因使用quotechar？

这个答案显示了一个.tar.gz 文件，但它可能只适用于.gz 文件。

【参考方案2】：

我想你想open ZipFile，它返回一个类似文件的对象，而不是read：

In [11]: crime2013 = pd.read_csv(z.open('crime_incidents_2013_CSV.csv'))

In [12]: crime2013
Out[12]:
<class 'pandas.core.frame.DataFrame'>
Int64Index: 24567 entries, 0 to 24566
Data columns (total 15 columns):
CCN                            24567  non-null values
REPORTDATETIME                 24567  non-null values
SHIFT                          24567  non-null values
OFFENSE                        24567  non-null values
METHOD                         24567  non-null values
LASTMODIFIEDDATE               24567  non-null values
BLOCKSITEADDRESS               24567  non-null values
BLOCKXCOORD                    24567  non-null values
BLOCKYCOORD                    24567  non-null values
WARD                           24563  non-null values
ANC                            24567  non-null values
DISTRICT                       24567  non-null values
PSA                            24567  non-null values
NEIGHBORHOODCLUSTER            24263  non-null values
BUSINESSIMPROVEMENTDISTRICT    3613  non-null values
dtypes: float64(4), int64(1), object(10)

【讨论】：

注：阅读时可以解析日期列：pd.read_csv(z.open('crime_incidents_2013_CSV.csv'), parse_dates=['REPORTDATETIME', 'LASTMODIFIEDDATE'])

读取第一个文件：pd.read_csv(z.open(z.infolist()[0].filename))

【参考方案3】：

看来您甚至不必再指定压缩方式了。下面的 sn -p 将 filename.zip 中的数据加载到 df 中。

import pandas as pd
df = pd.read_csv('filename.zip')

（当然，如果分隔符、标题等与默认值不同，则需要指定它们。）

【讨论】：

这应该是最佳答案，其他都过时了。

【参考方案4】：

对于“zip”文件，您可以使用import zipfile，您的代码只需使用这些行即可：

import zipfile
import pandas as pd
with zipfile.ZipFile("Crime_Incidents_in_2013.zip") as z:
   with z.open("Crime_Incidents_in_2013.csv") as f:
      train = pd.read_csv(f, header=0, delimiter="\t")
      print(train.head())    # print the first 5 rows

结果将是：

X,Y,CCN,REPORT_DAT,SHIFT,METHOD,OFFENSE,BLOCK,XBLOCK,YBLOCK,WARD,ANC,DISTRICT,PSA,NEIGHBORHOOD_CLUSTER,BLOCK_GROUP,CENSUS_TRACT,VOTING_PRECINCT,XCOORD,YCOORD,LATITUDE,LONGITUDE,BID,START_DATE,END_DATE,OBJECTID
0  -77.054968548763071,38.899775938598317,0925135...                                                                                                                                                               
1  -76.967309569035052,38.872119553647011,1003352...                                                                                                                                                               
2  -76.996184958456539,38.927921847721443,1101010...                                                                                                                                                               
3  -76.943077541353617,38.883686046653935,1104551...                                                                                                                                                               
4  -76.939209158039446,38.892278093281632,1125028...

【讨论】：

如果您的 zipfile 中有多个文件，这是必需的。至少，这是我能够开始工作的。

【参考方案5】：

我猜你下面的样子是什么

from io import BytesIO
import requests
import pandas as pd

result = requests.get("https://www.xxx.zzz/file.zip")
df = pd.read_csv(BytesIO(result.content),compression='zip', header=0, sep=',', quotechar='"')

阅读这些文章以了解原因：https://medium.com/dev-bits/ultimate-guide-for-working-with-i-o-streams-and-zip-archives-in-python-3-6f3cf96dca50

【参考方案6】：

https://www.kaggle.com/jboysen/quick-gz-pandas-tutorial

请点击此链接。

import pandas as pd
traffic_station_df = pd.read_csv('C:\\Folders\\Jupiter_Feed.txt.gz', compression='gzip',
                                 header=1, sep='\t', quotechar='"')

#traffic_station_df['Address'] = 'address'

#traffic_station_df.append(traffic_station_df)
print(traffic_station_df)

【讨论】：

欢迎来到 Stack Overflow！虽然这段代码可能会回答这个问题，但提供额外的上下文作为代码的 cmets 或作为关于它如何和/或为什么解决问题的单独段落将提高答案的长期价值。