pandas小记：pandas数据输入输出

http://blog.csdn.net/pipisorry/article/details/52208727

输出格式控制

pandas dataframe数据全部输出，数据太多也不用省略号表示。

pd.set_option('display.max_rows', None, 'display.max_columns',None)

或者with option_context('display.max_rows', 10, 'display.max_columns', 5):

数据输入输出

数据pickling

pandas数据pickling比保存和读取csv文件要快2-3倍（lz测试不准，差不多这么多）。

ltu_df.to_pickle(os.path.join(CWD, 'middlewares/ltu_df'))

ltu_df = pd.read_pickle(os.path.join(CWD, 'middlewares/ltu_df'))

[read_pickle]

不过lz测试了一下，还是直接pickle比较快，比pd.read_pickle快2倍左右。

pickle.dump(ltu_df, open(os.path.join(CWD, 'middlewares/ltu_df.pkl'), 'wb'))

ltu_df = pickle.load(open(os.path.join(CWD, 'middlewares/ltu_df.pkl'), 'rb'))

CSV

通常来说，数据是CSV格式，就算不是，至少也可以转换成CSV格式。

读取csv文件 read_csv

df = pd.read_csv(filename_in, header=0, sep='\t', encoding='utf-8', error_bad_lines=False, nrows=None, usecols=None)

lines = pd.read_csv(filename, sep='\t', header=None,names=col_names, parse_dates=[1], skip_blank_lines=True, index_col=0, usecols=None, error_bad_lines=False).reset_index()

dateparse = lambda dates: pd.datetime.strptime(dates, '%Y-%m')
data = pd.read_csv('AirPassengers.csv', parse_dates='Month', index_col='Month',date_parser=dateparse)

参数：

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。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'。

skiprows=2，表示前面两行[0, 1]都不读入，等价于skiprows=[0, 1]；

nrows int, default None. Number of rows of file to read. Useful for reading pieces of large files.

header=None第0行不作为列名；

names=[''] 指定列名是什么，不能用于筛选；

usecols 指定使用哪些列或列名；a valid list-like usecols parameter would be [0, 1, 2] or ['foo', 'bar', 'baz'].

parse_dates=[]  解析指定行为date类型；

dtype : Type name or dict of column -> type, default None 每列数据的数据类型。例如 dtype={'a': np.float64, 'b': np.int32}或者dtype=str。

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

index_col=0   指定某列为行索引，否则自动索引0, 1, .....。reset_index()是其反操作。

quoting : int or csv.QUOTE_* instance, default 0. Control field quoting behavior per csv.QUOTE_* constants. Use one of QUOTE_MINIMAL (0), QUOTE_ALL (1), QUOTE_NONNUMERIC (2) or QUOTE_NONE (3). 控制csv中的引号常量。文本引入标志符，默认为双引号，若读取的数据中包含双引号，则需要在函数中写入这个参数，quoting=3,3代表None，即无文本引入标志符，否则将会出现读取串行现象。如果报错：pandas.errors.ParserError: Error tokenizing data. C error: EOF inside string starting at row，需要设置 import csv 参数加上quoting=csv.QUOTE_NONE。

lineterminator : str (length 1), default None 行分割符，只在C解析器下使用。如果报错：pandas.errors.ParserError: Error tokenizing data. C error: Buffer overflow caught - possible malformed input file. 解决：the cause was that there were some carriage returns "\r" in the data that pandas was using as a line terminator as if it was "\n". I thought I'd post here as that might be a common reason this error might come up.The solution I found was to add lineterminator='\n' into the read_csv function。

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。

error_bad_lines: 默认为True，如果想要跳过出错的行，继续向下读取，可将其设为False。这里的出错应该只是：读取文件时遇到和列数不对应的行时会报错。其它的解析出错貌似不能，比如dtype指定某列为int时，有错误数据就还是会报错。这时只能先将转换的dtype里这个列名去掉，再dropna/fillna，之后再通过df[['列名']] = df[['列名']].astype(int)转换。

parse_dates:这是指定含有时间数据信息的列。正如上面所说的，列的名称为“月份”。
index_col:使用pandas 的时间序列数据背后的关键思想是：目录成为描述时间数据信息的变量。所以该参数告诉pandas使用“月份”的列作为索引。
date_parser：指定将输入的字符串转换为可变的时间数据。Pandas默认的数据读取格式是‘YYYY-MM-DD HH:MM:SS’。如需要读取的数据没有默认的格式，就要人工定义。这和dataparse的功能部分相似，这里的定义可以为这一目的服务。[python模块 - 时间模块 ]

converters : dict, default None: Dict of functions for converting values in certain columns. Keys can eitherbe integers or column labels.将数据某列按特定函数转化，必然可以取代自定义时date_parser和parse_dates两个参数呀。

如解析时间时想返回时间戳的浮点数表示时：def dateParse(s): return float(__import__('datetime').datetime.timestamp(__import__('dateutil.parser').parser.parse(s)))

df = pd.read_csv(os.path.join(CA_DATASET_DIR, checkin_ca), header=0, sep='\t', converters={'Time(GMT)': dateParse})

[pandas.read_csv参数详解]

[Reading from a csv file]

Note: 读取速度比numpy.loadtxt快多了，近10倍，包括转换成list的时间。

# Reading data from web

data_url="https://raw.githubusercontent.com/alstat/Analysis-with-Programming/master/2014/Python/Numerical-Descriptions-of-the-Data/data.csv"

df =pd.read_csv(data_url)

写入csv文件Writing to a csv file

header: Whether to write out the column names (default True)

data_df.to_csv(path,index=False, sep='\t', header=True, encoding='utf-8')

Note:

1 在参数中加上index=False，否则写入的数据会默认加上index，大多数是没有用的。

2 不用header时的设置header=False。

[CSV & text files]

Excel

好像如果使用pd.read_excel要安装xlrd：pip install xlrd

Reading from an excel file

pandas.read_excel(io, sheet_name=0, header=0, names=None, index_col=None, usecols=None, squeeze=False, dtype=None, engine=None, converters=None, true_values=None, false_values=None, skiprows=None, nrows=None, na_values=None, parse_dates=False, date_parser=None, thousands=None, comment=None, skipfooter=0, convert_float=True, **kwds)

参数：converters：读数据的时候使用converters指定列数据的数值类型 pd.read_excel('a.xlsx',converters={0: str})。

sheet_name: None就是读取所有的sheet，返回的就是一个ordereddict；指定就只读取指定sheet，只有一个返回的就是dataframe。

header：指定header所在列 （0开始）。

只读1页返回df

df = pd.read_excel(file_name, sheet_name="Sheet2", names=['col1', 'col2'], header=None, dtype=object) 

读所有页返回dict

data_df_dict = pd.read_excel(filename, sheet_name=None, header=0)

data_df = pd.concat(data_df_dict.values())

Writing to an excel file

df.to_excel('a.xlsx', index=False, sheet_name='Sheet1')

[Excel files]

HDF5

Reading and writing to HDFStores

Writing to a HDF5 Store

In [138]: df.to_hdf('foo.h5','df')

Reading from a HDF5 Store

In [139]: pd.read_hdf('foo.h5','df')
Out[139]: 
                    A          B         C          D
2000-01-01   0.266457  -0.399641 -0.219582   1.186860
2000-01-02  -1.170732  -0.345873  1.653061  -0.282953
...               ...        ...       ...        ...
2002-09-25 -10.216020  -9.480682 -3.933802  29.758560
2002-09-26 -11.856774 -10.671012 -3.216025  29.369368

[1000 rows x 4 columns]

Gotchas

If you are trying an operation and you see an exception like:

>>> if pd.Series([False, True, False]):
    print("I was true")
Traceback
    ...
ValueError: The truth value of an array is ambiguous. Use a.empty, a.any() or a.all().

See Comparisons for an explanation and what to do.

See Gotchas as well.

[CSV & Text files]

from: http://blog.csdn.net/pipisorry/article/details/52208727

ref:  [pandas输入输出官网IO Tools (Text, CSV, HDF5, ...)¶]