将CSV文件导入为熊猫数据帧

Question

Python是如何将CSV文件读入pandas数据帧的（我可以使用它进行统计操作，可以有不同类型的列，等等）？

我的CSV文件"value.txt"有以下内容：

Date,"price","factor_1","factor_2"
2012-06-11,1600.20,1.255,1.548
2012-06-12,1610.02,1.258,1.554
2012-06-13,1618.07,1.249,1.552
2012-06-14,1624.40,1.253,1.556
2012-06-15,1626.15,1.258,1.552
2012-06-16,1626.15,1.263,1.558
2012-06-17,1626.15,1.264,1.572

在R中，我们将使用以下方法读取此文件：

price <- read.csv("value.txt")  

这将返回一个R数据。框架：

> price <- read.csv("value.txt")
> price
     Date   price factor_1 factor_2
1  2012-06-11 1600.20    1.255    1.548
2  2012-06-12 1610.02    1.258    1.554
3  2012-06-13 1618.07    1.249    1.552
4  2012-06-14 1624.40    1.253    1.556
5  2012-06-15 1626.15    1.258    1.552
6  2012-06-16 1626.15    1.263    1.558
7  2012-06-17 1626.15    1.264    1.572

有没有类似python的方法来获得相同的功能？

Answer 1

这里有一个使用Python内置csv模块的pandas库的替代方案。

import csv
from pprint import pprint
with open('foo.csv', 'rb') as f:
    reader = csv.reader(f)
    headers = reader.next()
    column = {h:[] for h in headers}
    for row in reader:
        for h, v in zip(headers, row):
            column[h].append(v)
    pprint(column)    # Pretty printer

将打印

{'Date': ['2012-06-11',
          '2012-06-12',
          '2012-06-13',
          '2012-06-14',
          '2012-06-15',
          '2012-06-16',
          '2012-06-17'],
 'factor_1': ['1.255', '1.258', '1.249', '1.253', '1.258', '1.263', '1.264'],
 'factor_2': ['1.548', '1.554', '1.552', '1.556', '1.552', '1.558', '1.572'],
 'price': ['1600.20',
           '1610.02',
           '1618.07',
           '1624.40',
           '1626.15',
           '1626.15',
           '1626.15']}

Answer 2

要将CSV文件作为数据帧读取，需要使用pd。读取\u csv。

但这并不是故事的结局；数据以多种不同的格式存在，并以不同的方式存储，因此您通常需要将其他参数传递给read\u csv，以确保正确读取数据。

下面的表格列出了CSV文件遇到的常见情况，以及您需要使用的相应参数。您通常需要以下全部或部分参数组合才能读入数据。

┌──────────────────────────────────────────────────────────┬─────────────────────────────┬────────────────────────────────────────────────────────┐
│  Scenario                                                │  Argument                   │  Example                                               │
├──────────────────────────────────────────────────────────┼─────────────────────────────┼────────────────────────────────────────────────────────┤
│  Read CSV with different separator¹                      │  sep/delimiter              │  read_csv(..., sep=';')                                │
│  Read CSV with tab/whitespace separator                  │  delim_whitespace           │  read_csv(..., delim_whitespace=True)                  │
│  Fix UnicodeDecodeError while reading²                   │  encoding                   │  read_csv(..., encoding='latin-1')                     │
│  Read CSV without headers³                               │  header and names           │  read_csv(..., header=False, names=['x', 'y', 'z'])    │
│  Specify which column to set as the index⁴               │  index_col                  │  read_csv(..., index_col=[0])                          │
│  Read subset of columns                                  │  usecols                    │  read_csv(..., usecols=['x', 'y'])                     │
│  Numeric data is in European format (eg., 1.234,56)      │  thousands and decimal      │  read_csv(..., thousands='.', decimal=',')             │
└──────────────────────────────────────────────────────────┴─────────────────────────────┴────────────────────────────────────────────────────────┘

脚注

>

默认情况下，read\u csv使用C解析器引擎来提高性能。C解析器只能处理单字符分隔符。如果CSV具有多字符分隔符，则需要修改代码以使用'python'引擎。您还可以传递正则表达式：

df = pd.read_csv(..., sep=r'\s*\|\s*', engine='python')

UnicodeDecodeError当数据以一种编码格式存储，但以另一种不兼容的格式读取时发生。最常见的编码方案是'utf-8'和'latin-1'，您的数据可能适合其中一种。

header=False指定CSV中的第一行是数据行而不是标题行，并且names=[…] 允许您指定要在创建数据帧时分配给该数据帧的列名列表。

当带有未命名索引的数据帧保存到CSV并在之后重新读取时，会出现“未命名：0”。您不必在阅读时修复问题，也可以在编写时使用

df.to_csv(..., index=False)

还有一些我在这里没有提到的论点，但这些是你最常遇到的。

Answer 3

熊猫来营救：

import pandas as pd
print pd.read_csv('value.txt')

        Date    price  factor_1  factor_2
0  2012-06-11  1600.20     1.255     1.548
1  2012-06-12  1610.02     1.258     1.554
2  2012-06-13  1618.07     1.249     1.552
3  2012-06-14  1624.40     1.253     1.556
4  2012-06-15  1626.15     1.258     1.552
5  2012-06-16  1626.15     1.263     1.558
6  2012-06-17  1626.15     1.264     1.572

这将返回类似于R的DataFrame。