这是一个典型的数据处理问题,可以使用pandas库来解决。以下是一个详细的步骤:
1. 导入必要的库:
```python
import pandas as pd
import os
```
2. 获取CSV文件的路径列表:
```python
file_paths = [os.path.join('data', f) for f in os.listdir('data') if f.endswith('.csv')]
```
这里假设CSV文件都放在'data'文件夹下。
3. 读取每个CSV文件,并将文件名添加为新列:
```python
for path in file_paths:
# 读取csv文件
df = pd.read_csv(path)
# 获取文件名
file_name = os.path.basename(path)[:-4] # 去掉.csv后缀
# 将文件名添加为新列
df['filename'] = file_name
# 保存到新的CSV文件中,可以使用相同的路径,但需要改变文件名
df.to_csv(os.path.join('data', f'{file_name}_new.csv'), index=False)
```
这里我们将原始的CSV文件名和新添加的文件名一起保存到新的CSV文件中。
4. 可以根据需要对数据进行处理,例如合并所有处理后的CSV文件为一个:
```python
# 获取处理后的CSV文件路径列表
new_file_paths = [os.path.join('data', f) for f in os.listdir('data') if f.endswith('_new.csv')]
# 读取所有文件
dfs = []
for path in new_file_paths:
df = pd.read_csv(path)
dfs.append(df)
# 合并所有数据
combined_df = pd.concat(dfs, ignore_index=True)
# 保存到新的CSV文件中
combined_df.to_csv('data/combined.csv', index=False)
```
这是一个简单的例子,实际的代码可能需要根据具体需求进行调整。
在测试用例中,可以创建一个包含多个CSV文件的文件夹,然后运行上述代码,检查是否能够正确地将文件名添加到每个CSV文件中,并且是否能够合并所有处理后的CSV文件为一个。
在人工智能大模型方面,这个例子中并没有使用到任何特定的AI模型,但是它可以用于自动化数据预处理和清洗的过程。例如,如果需要在大量数据的预处理中自动识别和处理缺失值、异常值等,可以使用机器学习模型来辅助完成这部分工作。