【Python】进阶学习：pandas--read_csv()用法详解

🚀【Python】进阶学习：pandas–read_csv()用法详解🚀

🌈 个人主页：高斯小哥
🔥 高质量专栏：Matplotlib之旅：零基础精通数据可视化、Python基础【高质量合集】、PyTorch零基础入门教程👈 希望得到您的订阅和支持~
💡 创作高质量博文(平均质量分92+)，分享更多关于深度学习、PyTorch、Python领域的优质内容！（希望得到您的关注~）

---

📚 一、为什么需要read_csv()？

  在数据分析的旅程中，我们经常需要从CSV（Comma Separated Values，逗号分隔值）文件中读取数据。CSV是一种常见的数据存储格式，由于其简单性和通用性，被广泛应用于各种领域。Pandas库中的read_csv()函数为我们提供了一个方便、高效的方式来读取这些数据。

🔍 二、read_csv()的基本用法

使用read_csv()函数读取CSV文件的基本语法是：

import pandas as pd

data = pd.read_csv('file_path.csv')

其中，file_path.csv是你的CSV文件的路径。

例如，如果你有一个名为data.csv的文件，你可以这样读取它：

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

输出：

  StringColumn  IntColumn  FloatColumn  BoolColumn MixedColumn
0            A          0     0.311623       False      class1
1            B          1     0.377196        True      class2
2            C          2     0.930861        True      class3

🛠️ 三、read_csv()的参数

  read_csv()函数有许多参数可以帮助我们更好地处理数据。以下是一些常用的参数：

1. sep 或 delimiter：指定分隔符，默认为,。如果你的CSV文件使用的是其他分隔符，如\t（制表符），你可以这样指定：

   data = pd.read_csv('data.csv', sep='\t')
   

2. header：指定表头行。默认为0，表示第一行是表头。如果CSV文件没有表头，你可以设置为None。

   data = pd.read_csv('data.csv', header=None)
   

3. index_col：将某一列设置为索引。

   data = pd.read_csv('data.csv', index_col=0)
   

   输出：

   

4. usecols：选择读取的列。你可以传入一个列名的列表，或者一个整数列表来表示列的索引。

   data = pd.read_csv('data.csv', usecols=['IntColumn', 'FloatColumn'])
   print(data)
   

   或者

   data = pd.read_csv('data.csv', usecols=[1, 2])
   

   输出：

      IntColumn  FloatColumn
   0          0     0.311623
   1          1     0.377196
   2          2     0.930861
   

5. na_values：指定哪些值应被视为NaN（缺失值）。

data = pd.read_csv('data.csv', na_values=['N/A', 'nan'])

6. dtype：指定列的数据类型（谨慎使用，具体情况具体分析，容易报错）。

data = pd.read_csv('data.csv', dtype={'StringColumn': str, 'IntColumn': int})

这只是read_csv()函数的一部分参数，还有更多参数可以帮助你更好地处理CSV文件。

🛠️ 四、实际案例应用

假设你有一个名为sales.csv的CSV文件，其中包含以下数据：

date,product,sales
2023-01-01,A,100
2023-01-02,B,150
2023-01-03,A,200
2023-01-04,C,250

你可以使用read_csv()函数读取这个文件，并进行一些数据分析。

import pandas as pd

# 读取CSV文件
data= pd.read_csv('sales.csv')

# 查看数据
print(data)

print("*"*50)

# 计算每个产品的总销售额
total_sales = data.groupby('product')['sales'].sum()
print(total_sales)
print("*"*50)

# 计算每个日期的销售额
daily_sales = data.groupby('date')['sales'].sum()
print(daily_sales)

输出：

         date product  sales
0  2023-01-01       A    100
1  2023-01-02       B    150
2  2023-01-03       A    200
3  2023-01-04       C    250
**************************************************
product
A    300
B    150
C    250
Name: sales, dtype: int64
**************************************************
date
2023-01-01    100
2023-01-02    150
2023-01-03    200
2023-01-04    250
Name: sales, dtype: int64

  这个例子中，我们首先使用read_csv()函数读取了CSV文件。然后，我们使用groupby()函数按产品和日期对数据进行分组，并使用sum()函数计算每个组的销售额。最后，我们打印了结果。

🎉 五、总结

  read_csv()函数是Pandas库中一个非常重要的函数，它为我们提供了一个方便、高效的方式来读取CSV文件。通过掌握read_csv()函数的基本用法和参数，我们可以轻松地处理各种CSV文件，并进行数据分析和处理。

  在本文中，我们详细介绍了read_csv()函数的基本用法。我们还通过一个实际案例演示了如何使用read_csv()函数进行数据分析。希望这篇文章能帮助你更好地理解和使用read_csv()函数，为你的数据分析工作带来便利。

🤝 六、期待与你共同进步

  🌱 亲爱的读者，非常感谢你每一次的停留和阅读！你的支持是我们前行的最大动力！🙏

  🌐 在这茫茫网海中，有你的关注，我们深感荣幸。你的每一次点赞👍、收藏🌟、评论💬和关注💖，都像是明灯一样照亮我们前行的道路，给予我们无比的鼓舞和力量。🌟

  📚 我们会继续努力，为你呈现更多精彩和有深度的内容。同时，我们非常欢迎你在评论区留下你的宝贵意见和建议，让我们共同进步，共同成长！💬

  💪 无论你在编程的道路上遇到什么困难，都希望你能坚持下去，因为每一次的挫折都是通往成功的必经之路。我们期待与你一起书写编程的精彩篇章！ 🎉

  🌈 最后，再次感谢你的厚爱与支持！愿你在编程的道路上越走越远，收获满满的成就和喜悦！祝你编程愉快！🎉