机器学习数据预处理--表格合并与数据可视化

数据清洗-表格合并并添加时间戳

提取文件名字

读取指定类型文件名字

分离文件名字

names = os.listdir(path)
for name in names:
    index = name.rfind('.')
    name = name[:index]
    print(name)
    flag = name.split('_')

原始表格如上图所示，无表头

对表格增加列，并将指定信息写入列中

定义表头

合并表格

总程序：
import os
import pandas as pd


path = os.getcwd()
names = os.listdir(path)
for name in names:
    index = name.rfind('.')
    csv = name[index:]
    if(csv =='.csv'):  #由于文件夹中有其他文件，进行筛选，否则转化为dataframe时报错
        df = pd.read_csv(name,header=None,names=['temp','tempavg','tempmax','tempmin'])# 注意这里增加表头的方式！！
#        df.columns=['temp','tempavg','tempmax','tempmin']  #增加表头，否则下一步添加列时不方便
        name_new = name[:index]
        flag = name_new.split('_')
        print(flag)
        time = flag[2]
        series = flag[1]
        df['time'] = time
        df['series'] = series
        df.to_csv(name,index=False)  #保存更改,注意不需要自动添加索引！

for name in names:
    index = name.rfind('.')
    csv = name[index:]
    if(csv =='.csv'):  #由于文件夹中有其他文件，进行筛选，否则转化为dataframe时报错
        print(csv)
        df = pd.read_csv(name)
        df.to_csv('allok.csv',encoding="utf_8_sig",header=False,index=False,mode='a+')

df = pd.read_csv('allok.csv',header=None,names=['temp','tempavg','tempmax','tempmin','time','series'])# 定义合并好的表格名字
df.to_csv('allok.csv',index=True)

index索引问题

针对默认添加的索引不是从1开始

df.index = np.arange(1, len(df))

导出数据过长变成科学计数法

由于导出的数据过长，变成了科学计数法；导致后面在合并表格时四舍五入了…
因此加入df['time'] = str(time)+'\t'

成功解决！

合并表格升级（特征行列展开合并）

原表格样式：（需要合并几万个专业个这样的表格）

合并后成为了每个参数的均值、最值分开的总表

path = os.getcwd()
names = os.listdir(path)
i = 0
for name in names:
    index = name.rfind('.')
    csv = name[index:]
    if(csv =='.csv'):  #由于文件夹中有其他文件，进行筛选，否则转化为dataframe时报错
        df = pd.read_csv(name)
        for index,row in df.iterrows():
            feature_name = row[0]
            feature_avg = feature_name+'_avg'
            feature_min = feature_name+'_min'
            feature_max = feature_name+'_max'
            df[feature_avg] = str(row[1])+'\t'
            df[feature_max] = str(row[2])+'\t'
            df[feature_min] = str(row[3])+'\t'#防止科学计数
        data =df.iloc[:1,4:] #定位表格
        if(i == 0):
            data.to_csv('gather_operate.csv',encoding="utf_8_sig",header =True,index = False ,mode='a+')
        else:
            data.to_csv('gather_operate.csv',encoding="utf_8_sig",header =False,index = False ,mode='a+')
        i=i+1

提取文件名字到表格，并保存到父目录

import os,sys
import xlwt

path = os.getcwd()
dirs = os.listdir(path)

write =xlwt.Workbook()
sheet = write.add_sheet('sheet_name')
i = 0

for file in dirs:
    if os.path.splitext(file)[1]=='.csv':
        sheet.write(i,0,file)
        i+=1
print(i)
write.save('../file_name.xls')

pandas写入csv格式文件出现中文乱码

df.to_csv("cnn_predict_result.csv",encoding="utf_8_sig")

批量合并表格时移植表头

i = 0
for name in names:
    index = name.rfind('.')
    csv = name[index:]
    if(csv =='.csv'):  #由于文件夹中有其他文件，进行筛选，否则转化为dataframe时报错
        if(i==0):
            print("header")
            df = pd.read_csv(name)
            df.to_csv('特征值数据汇总.csv',encoding="utf_8_sig",header=True,index=False,mode='a+')#拼接第一个表格时保留表头
        else:
            print(csv)
            df = pd.read_csv(name)
            df.to_csv('特征值数据汇总.csv',encoding="utf_8_sig",header=False,index=False,mode='a+')
        i=i+1

Pandas输出表格字符串过长变为科学计数法

网上那种直接改单元格格式的方法，文件关闭后再打开还是老样子
后来看了一篇文章
df[‘time’]=[’ %i’ % i for i in df[‘time’]]选择要修改的列加入/t，我的理解是加个字符就行

使用Excel 分列

可视化处理

风机叶片振动时域数据