Python加载数据的5种不同方式，阿里P8成长路线

else:

data.append(val)

df = pd. DataFrame (data=data,columns=col)

return df

嗯，这是什么？？？？似乎有点复杂的代码！！！让我们逐步打破它，以便您了解正在发生的事情，并且可以应用类似的逻辑来读取 自己的 .csv文件。

在这里，我创建了一个 load_csv 函数，该函数将要读取的文件的路径作为参数。

我有一个名为data 的列表， 它将具有我的CSV文件数据，而另一个列表 col 将具有我的列名。现在，在手动检查了csv之后，我知道列名在第一行中，因此在我的第一次迭代中，我必须将第一行的数据存储在 col中， 并将其余行存储在 data中。

为了检查第一次迭代，我使用了一个名为checkcol 的布尔变量， 它为False，并且在第一次迭代中为false时，它将第一行的数据存储在 col中 ，然后将checkcol 设置 为True，因此我们将处理 数据列表并将其余值存储在 数据列表中。

逻辑

这里的主要逻辑是，我使用readlines（） Python中的函数在文件中进行了迭代 。此函数返回一个列表，其中包含文件中的所有行。

当阅读标题时，它会将新行检测为 \ n 字符，即行终止字符，因此为了删除它，我使用了 str.replace 函数。

由于这是一个 的.csv 文件，所以我必须要根据不同的东西 逗号 ，所以我会各执一个字符串， 用 string.split（“”） 。对于第一次迭代，我将存储第一行，其中包含列名的列表称为 col。然后，我会将所有数据附加到名为data的列表中 。

为了更漂亮地读取数据，我将其作为数据框格式返回，因为与numpy数组或python的列表相比，读取数据框更容易。

输出量

利弊

重要的好处是您具有文件结构的所有灵活性和控制权，并且可以以任何想要的格式和方式读取和存储它。

您也可以使用自己的逻辑读取不具有标准结构的文件。

它的重要缺点是，特别是对于标准类型的文件，编写起来很复杂，因为它们很容易读取。您必须对需要反复试验的逻辑进行硬编码。

仅当文件不是标准格式或想要灵活性并且以库无法提供的方式读取文件时，才应使用它。

2. Numpy.loadtxt函数

这是Python中著名的数字库Numpy中的内置函数。加载数据是一个非常简单的功能。这对于读取相同数据类型的数据非常有用。

当数据更复杂时，使用此功能很难读取，但是当文件简单时，此功能确实非常强大。

要获取单一类型的数据，可以下载 此处 虚拟数据集。让我们跳到代码。

df = np.loadtxt(’ convertcsv.csv’, delimeter = ', ')

这里，我们简单地使用了在传入的定界符中 作为 '，'的 loadtxt 函数 ， 因为这是一个CSV文件。

现在，如果我们打印 df，我们将看到可以使用的相当不错的numpy数组中的数据。

print (df[: 5，:])

由于数据量很大，我们仅打印了前5行。

利弊

使用此功能的一个重要方面是您可以将文件中的数据快速加载到numpy数组中。

缺点是您不能有其他数据类型或数据中缺少行。

3. Numpy.genfromtxt（）

我们将使用数据集，即第一个示例中使用的数据集“ 100 Sales Records.csv”，以证明其中可以包含多种数据类型。

让我们跳到代码。

data = np. genfromtxt(‘100 Sales Records.csv’, delimiter=', ')

为了更清楚地看到它，我们可以以数据框格式看到它，即

这是什么？哦，它已跳过所有具有字符串数据类型的列。怎么处理呢？

只需添加另一个 dtype 参数并将dtype 设置 为None即可，这意味着它必须照顾每一列本身的数据类型。不将整个数据转换为单个dtype。

data = np. genfromtxt(‘100 Sales Records.csv’, delimiter=', ', dtype=None)

然后输出

pd.DataFrame(df3).head ()

比第一个要好得多，但是这里的“列”标题是“行”，要使其成为列标题，我们必须添加另一个参数，即 名称 ，并将其设置为 True， 这样它将第一行作为“列标题”。

即

df3 = np.genfromtxt(‘100 Sales Records.csv’, delimiter=‘,’, dtype=None, names=True, encoding=‘utf-8’)

我们可以将其打印为

pd. DataFrame(df3) .head()

4. Pandas.read_csv()

Pandas是一个非常流行的数据操作库，它非常常用。read_csv（）是非常重要且成熟的 功能 之一，它 可以非常轻松地读取任何 .csv 文件并帮助我们进行操作。让我们在100个销售记录的数据集上进行操作。

此功能易于使用，因此非常受欢迎。您可以将其与我们之前的代码进行比较，然后进行检查。

pdDf = pd.read_csv (‘100 Sales Record.csv’)

pdDf. head()

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上Python开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以添加V获取：vip1024c （备注Python）

一、Python所有方向的学习路线

Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、学习软件

工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

三、入门学习视频

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

三、入门学习视频

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。