pandas是一个高效的数据分析工具。基于其高度抽象的数据结构DataFrame
(点击这里了解DataFrame数据结构),几乎可以对数据进行任何你想要的操作。
由于现实世界中数据源的格式非常多,pandas也支持了不同数据格式的导入方法,本文介绍pandas如何从csv文件中导入数据。
从上图可以看出,我们要做的工作就是把存储在csv格式中的数据读入并转换成DataFrame
格式。
pandas提供了一个非常简单的api函数来实现这个功能:read_csv()
。
1. 通过read_csv接口读入csv文件中的数据
下面是一个简单的示例:
import pandas as pd
CSV_FILE_PATH = './test.csv'
df = pd.read_csv(CSV_FILE_PATH)
print(df.head(5))
只要简单地指定csv文件的路径,便可以得到DataFrame
格式的数据df
。对于理想情况下的数据,导入过程就是这么简单!
下面考虑这种情况:假设csv文件头部有几个无效行,那么打印出来的结果可能如下所示:
1 2 3 4
0 datetime host hit volume
1 2018-07-24 09:00:00 weibo.com 20 1020
2 2018-07-25 09:00:00 qq.com no 20 1028
3 2018-07-26 19:00:00 sina.com 25 1181
4 2018-07-27 21:00:00 sohu.com 15 4582
pandas把【1,2,3,4】这组无效数据当作了column name;而实际上,我们更偏向于将【datetime,host,hit,volume】这组数据当作column name。对于这种情况,read_csv()
函数提供了一个参数:skiprows
,用于指定跳过csv文件的头部的前几行。在这里,我们跳过1行即可。
import pandas as pd
CSV_FILE_PATH = './test.csv'
df = pd.read_csv(CSV_FILE_PATH, skiprows=1)
print(df.head(5))
得到的结果如下所示:
datetime host hit volume
0 2018-07-24 09:00:00 weibo.com 20 1020
1 2018-07-25 09:00:00 qq.com no 20 1028
2 2018-07-26 19:00:00 sina.com 25 1181
3 2018-07-27 21:00:00 sohu.com 15 4582
2. 处理csv文件中的无效数据
pandas可以自动推断每个column的数据类型,以方便后续对数据的处理。还以上文中的数据为例,通过如下代码:
import pandas as pd
CSV_FILE_PATH = './test.csv'
df = pd.read_csv(CSV_FILE_PATH)
print(df.head(5))
print('datatype of column hit is: ' + str(df['hit'].dtypes))
得出的结果:
datetime host hit volume
0 2018-07-24 09:00:00 weibo.com 20 1020
1 2018-07-25 09:00:00 qq.com 20 1028
2 2018-07-26 19:00:00 sina.com 25 1181
3 2018-07-27 21:00:00 sohu.com 15 4582
datatype of column hit is: int64
pandas将hit
这一列的数据类型判定为了int64
,这显然方便未来我们对于该列数据的运算。
但是在实际情况中,我们经常会面临数据缺失的问题,如果出现这种情况,我们往往会用一些占位符来表达。假设,我们用missing
这个占位符来表示数据缺失,仍使用上述代码,来探索下会发生些什么:
datetime host hit volume
0 2018-07-24 09:00:00 weibo.com 20 1020
1 2018-07-25 09:00:00 qq.com 20 1028
2 2018-07-26 19:00:00 sina.com missing missing
3 2018-07-27 21:00:00 sohu.com 15 4582
datatype of column hit is: object
由于hit这一列中出现了missing
这个字符串,pandas将hit
这一列的数据类型判断成了object
。这会给我们对该列数据的运算带来影响。例如,假设我们要计算hit列前两行数据的和,代码如下:
print(df['hit'][0] + df['hit'][1])
结果是:
2020
本来我们想要的是数学运算结果,但得到的却是一个字符串拼接结果。这就是由于数据类型判断失误带来的严重影响。
对于这种情况,read_csv()
函数也提供了一个简单的处理方式,只需要通过na_value
参数指定占位符,pandas便会在读入数据的过程中自动将这些占位符转换成NaN
,从而不影响pandas对column数据类型的正确判断。
示例代码:
import pandas as pd
CSV_FILE_PATH = './test.csv'
df = pd.read_csv(CSV_FILE_PATH, skiprows=0, na_values=['missing')
print(df.head(5))
print('datatype of column hit is: ' + str(df['hit'].dtypes))
print(df['hit'][0] + df['hit'][1])
运行结果如下:
datetime host hit volume
0 2018-07-24 09:00:00 weibo.com 20.0 1020.0
1 2018-07-25 09:00:00 qq.com 20.0 1028.0
2 2018-07-26 19:00:00 sina.com NaN NaN
3 2018-07-27 21:00:00 sohu.com 15.0 4582.0
datatype of column hit is: float64
40.0
可以看到,pandas将数据集中的missing
单元全部转换为了NaN
,并成功判断出hit
这一列的数据类型。
3. 总结
通过一个简单的read_csv()
函数,实际可以做到如下几件事:
- 通过指定的文件路径,从本地读取csv文件,并将数据转换成
DataFrame
格式 - 更正数据集的头部(column)
- 正确处理缺失数据
- 推断每一列的数据类型
当然,read_csv()
函数还有一系列其他参数来应对各种情况,遇到具体问题的同学可参考其接口指南。