pandas 读取csv 数据 read_csv 参数详解

前言

Pandas 是一个开源的数据分析和数据处理库，它是基于 Python 编程语言的。
Pandas 提供了易于使用的数据结构和数据分析工具，特别适用于处理结构化数据，如表格型数据（类似于Excel表格）。
Pandas 主要引入了两种新的数据结构：DataFrame 和 Series。

环境准备：

pip install pandas

read_csv 参数详解

pandas的 read_csv 函数用于读取CSV文件。以下是一些常用参数：

• filepath_or_buffer: 要读取的文件路径或对象。
• sep: 字段分隔符，默认为,。
• delimiter: 字段分隔符，sep的别名。
• header: 用作列名的行号，默认为0（第一行），如果没有列名则设为None。
• names: 列名列表，用于结果DataFrame。
• index_col: 用作索引的列编号或列名。
• usecols: 返回的列，可以是列名的列表或由列索引组成的列表。
• dtype: 字典或列表，指定某些列的数据类型。
• skiprows: 需要忽略的行数（从文件开头算起），或需要跳过的行号列表。
• nrows: 需要读取的行数（从文件开头算起）。
• skipfooter: 文件尾部需要忽略的行数。
• encoding: 文件编码（如’utf-8’，'latin-1’等）。
• parse_dates: 将某些列解析为日期。
• infer_datetime_format: 如果 True 且 parse_dates 未指定，那么将尝试解析日期。
• iterator: 如果 True，返回 TextFileReader 对象，用于逐块读取文件。
• chunksize: 每个块的行数，用于逐块读取文件。
• compression: 压缩格式，例如 ‘gzip’ 或 ‘xz’

filepath_or_buffer要读取的文件路径或对象

filepath_or_buffer: FilePath | ReadCsvBuffer[bytes] | ReadCsvBuffer[str]
可以接收3种类型，文件路径，读取文件的bytes， 读取文件的str

• 可以接受任何有效的字符串路径。该字符串可以是 URL。有效的 URL 方案包括 http、ftp、s3、gs 和 file。对于文件 URL，需要主机。本地文件可以是：file://localhost/path/to/table.csv。
• 如果你想传入一个路径对象，pandas 接受任何 Path.
• 我们所说的类文件对象是指具有 read() 方法的对象，例如文件句柄（例如通过内置 open 函数）或 StringIO。

data.csv 测试数据

name,sex,age,email
张三,男,22,123@qq.com
李四,男,23,222@qq.com
王五,女,24,233@qq.com
张六,男,22,123@qq.com
李七,男,23,124@qq.com
小明,女,24,125@qq.com
张山,女,24,126@qq.com
王二,男,23,127@qq.com
王九,男,23,128@qq.com
李明,男,20,129@qq.com
刘三,男,29,130@qq.com
刘四,男,28,131@qq.com

示例

import pandas
from pathlib import Path

# 1.相对路径，或文件绝对路径
df1 = pandas.read_csv('data.csv')
print(df1)


# 文件路径对象Path
file_path = Path(__file__).parent.joinpath('data.csv')
df2 = pandas.read_csv(file_path)
print(df2)

读取一个url地址，http://127.0.0.1:8000/static/data.csv, 此地址是一个data.csv文件在线下载地址

df3 = pandas.read_csv('http://127.0.0.1:8000/static/data.csv')
print(df3)

也可以是一个文件对象

with open('data.csv', encoding='utf8') as fp:
    df4 = pandas.read_csv(fp)
    print(df4)

sep: 字段分隔符，默认为,

sep 字段分隔符，默认为,
delimiter（同sep，分隔符）

df1 = pandas.read_csv('data.csv', sep=',')
print(df1)

df2 = pandas.read_csv('data.csv', delimiter=',')
print(df2)

header 用作列名的行号

header: 指定哪一行作为列名，默认为0，即第一行，如果没有列名则设为None。
如下数据，没有header

张三,男,22,123@qq.com
李四,男,23,222@qq.com
王五,女,24,233@qq.com
张六,男,22,123@qq.com

读取示例

df6 = pandas.read_csv('data2.csv', header=None)
print(df6)

names自定义列名

names自定义列名，如果header=None，则可以使用该参数。

df6 = pandas.read_csv(
    'data2.csv',
    header=None,
    names=['姓名', '性别', '年龄', '邮箱'])
print(df6)

如果有header，也可以使用names自定义列名

df7 = pandas.read_csv(
    'data.csv',
    header=0,
    names=['姓名', '性别', '年龄', '邮箱'])
print(df7)

那么读取结果

    姓名 性别  年龄          邮箱
0   张三  男  22  123@qq.com
1   李四  男  23  222@qq.com
2   王五  女  24  233@qq.com
······

index_col 用作行索引的列编号或列名

index_col参数在使用pandas的read_csv函数时用于指定哪一列作为DataFrame的索引。
如果设置为None（默认值），CSV文件中的行索引将用作DataFrame的索引。如果设置为某个列的位置（整数）或列名（字符串），则该列将被用作DataFrame的索引。

import pandas as pd

# 我们想要将'`email`'列作为DataFrame的索引

df8 = pd.read_csv('data.csv', index_col='email')
print(df8)

# 或者，如果我们知道'email'列在第4列的位置，也可以这样指定
df9 = pd.read_csv('data.csv', index_col=3)
print(df9)

usecols 读取指定的列

usecols 读取指定的列，可以是列名或列编号。

import pandas as pd

# 1.指定列的编号
df10 = pd.read_csv('data.csv', usecols=[0, 1])
print(df10)

# 2.指定列的名称
df11 = pd.read_csv('data.csv', usecols=['name', 'sex'])
print(df11)

dtype 指定每列的数据类型

dtype参数在pandas.read_csv函数中用于指定列的数据类型。当你知道某些列的数据类型时，可以使用dtype参数来提高读取文件的效率，并且可以预防可能发生的类型错误。

name,sex,age,email
张三,男,22,123@qq.com
李四,男,23,222@qq.com

默认情况下age得到的是int类型

df12 = pd.read_csv('data.csv')
print(df12.to_dict())

结果： ‘age’: {0: 22, 1: 23, 2: 24, 3: 22, 4: 23 …

可以指定age变成str或者float类型

df13 = pd.read_csv('data.csv', dtype={"age": str})
print(df13.to_dict())

结果： ‘age’: {0: ‘22’, 1: ‘23’, 2: ‘24’, 3: ‘22’, 4: ‘23’

skiprows 、nrows 和skipfooter

skiprows: 需要忽略的行数（从文件开头算起），或需要跳过的行号列表。
nrows: 需要读取的行数（从文件开头算起）
skipfooter: 文件尾部需要忽略的行数。

import pandas as pd

# 跳过前面2行
df15 = pd.read_csv('data.csv', skiprows=2)
print(df15)

nrows 需要读取的行数

import pandas as pd

# 读取前面2行
df15 = pd.read_csv('data.csv', nrows=2)
print(df15)

skipfooter: 文件尾部需要忽略的行数。

import pandas as pd

# 忽略文件尾部3行
df15 = pd.read_csv('data.csv', skipfooter=3)
print(df15)

parse_dates 将某些列解析为日期

数据文件ddd.csv

name,time,date
Bob,21:33:30,2019-10-10
Jerry,21:30:15,2019-10-10
Tom,21:25:30,2019-10-10
Vince,21:20:10,2019-10-10
Hank,21:40:15,2019-10-10

读取示例

import pandas as pd

# 1.指定列的编号
df16 = pd.read_csv('ddd.csv')
print(df16)

读取结果

    name      time        date
0    Bob  21:33:30  2019-10-10
1  Jerry  21:30:15  2019-10-10
2    Tom  21:25:30  2019-10-10
3  Vince  21:20:10  2019-10-10
4   Hank  21:40:15  2019-10-10

默认读取的date日期是字符串类型，使用parse_dates 参数转成datetime类型

import pandas as pd

df16 = pd.read_csv('ddd.csv')
print(df16.to_dict())   # 'date': {0: '2019-10-10', 1: '2019-10-10',


df17 = pd.read_csv('ddd.csv', parse_dates=['date'])
print(df17.to_dict())  # 'date': {0: Timestamp('2019-10-10 00:00:00')