pandas使用技巧【1】如何读入和写出表单数据

简介: 本文主要介绍如何利用pandas读入表单数据。

读入数据

• pandas.read_csv()
  从文件，URL，文件型对象中加载带分隔符的数据。默认分隔符为'',"
• pandas.read_table()
  从文件，URL，文件型对象中加载带分隔符的数据。默认分隔符为"\t"

参数：

1. 分隔符参数：sep=
   read_csv和read_table的区别在于separator分隔符。csv是逗号分隔值(Comma-Separated Values)，仅能正确读入以 "," 分割的数据。

pd.read_table("ex1.csv",  sep=",")

2. 是否读取文本数据的header：header=
   headers = None表示使用默认分配的列名，一般用在读取没有header的数据文件。

pd.read_table("ex1.csv",  header=None)

3. 为文本的数据加上列名： names=
   names = user_cols ，自定义列名为user_cols。

pd.read_table("ex1.csv",  names = user_cols)

4. 明确索引值： index_col=
   index_col = user_col，明确表示要将user_col放入索引位置。

pd.read_table("ex1.csv",  names = names,  index_col = user_col)

也可以将多个列都放入索引位置，做成层次化索引。

pd.read_table("ex1.csv",  names = names,  index_col = ["col1",  "col2"])

5. 跳过指定行： skiprows=
   skiprows = row_list_to_skipped，可以用与跳过非有效数据如注释等情形下。

pd.read_table("ex1.csv",  skiprows = [row1,  row2,..., rown])

6. 缺失值处理：na_values=
   na_values= ["null"]，用null字符替换缺失值。

pd.read_table("ex1.csv",  na_values= ["null"])

7. 尝试将数据解析为日期：parse_dates=
   parse_dates = True，尝试解析所有可能为日期类型的列。

pd.read_table("ex1.csv",  parse_dates = True)

parse_dates = [1, 2]，尝试解析给定列为日期类型的列。

pd.read_table("ex1.csv",  parse_dates = [1, 2])

8. 指定需要读取的行数：nrows=
   nrows = 100， 指定读取前100行数据。

pd.read_table("ex1.csv",  nrows = 100)

写出数据

• pandas.read_csv()
  从文件，URL，文件型对象中加载带分隔符的数据。默认分隔符为'',"
• pandas.read_table()
  从文件，URL，文件型对象中加载带分隔符的数据。默认分隔符为"\t"

参数和读入数据类似。

---

附上函数原型:

• pandas.read_csv
• pandas.read_table
• pandas.to_csv

附上小哥哥的视频链接Data analysis in Python with pandas

• Youtube
• 哔哩哔哩

所有文章列表

• pandas使用技巧总览