pandas.read_csv参数超级详解,好多栗子!

前言:相信很多和我一样初入数据处理的小伙伴们肯定不知道,原来习以为常的read_csv还有这么多方便快捷的骚参数,对,就是相当骚的那种骚

 

首先放出官方手册:点击打开链接,喜欢看英文原稿的同学可以直接看哦!

pandas.read_csv

老规矩,官方参数走一波:

read_csv(filepath_or_buffer, sep=',', delimiter=None, header='infer', names=None, index_col=None, usecols=None, squeeze=False, prefix=None, mangle_dupe_cols=True, dtype=None, engine=None, converters=None, true_values=None, false_values=None, skipinitialspace=False, skiprows=None, nrows=None, na_values=None, keep_default_na=True, na_filter=True, verbose=False, skip_blank_lines=True, parse_dates=False, infer_datetime_format=False, keep_date_col=False, date_parser=None, dayfirst=False, iterator=False, chunksize=None, compression='infer', thousands=None, decimal=b'.', lineterminator=None, quotechar='"', quoting=0, escapechar=None, comment=None, encoding=None, dialect=None, tupleize_cols=None, error_bad_lines=True, warn_bad_lines=True, skipfooter=0, doublequote=True, delim_whitespace=False, low_memory=True, memory_map=False, float_precision=None)
   
   
     
     
     
     


 

相信前两个参数各位并不陌生

1、filepath_or_buffer:顾名思义,您读取的文件路径,URL(包含http,ftp,s3)链接等


   
   
     
     
     
     
  1. filepath_or_buffer : various
  2. Either a path to a file (a str, pathlib. Path, or py._path.local. LocalPath), URL (including http, ftp, and S3 locations), or any object with a read() method (such as an open file or StringIO).


​​​​​

2、sep : str , default','

指定分隔符。如果不指定参数,则会尝试使用逗号分隔。分隔符长于一个字符并且不是‘\s+’,将使用python的语法分析器。并且忽略数据中的逗号。正则表达式例子:'\r\t'

**这里补充说明一下‘\s+’,大佬们可以选择跳过:

 

详解 "\s+"

正则表达式中\s匹配任何空白字符,包括空格、制表符、换页符等等, 等价于[ \f\n\r\t\v]

  • \f -> 匹配一个换页
  • \n -> 匹配一个换行符
  • \r -> 匹配一个回车符
  • \t -> 匹配一个制表符
  • \v -> 匹配一个垂直制表符
  • 而“\s+”则表示匹配任意多个上面的字符。
    
         
         
           
           
           
           
    1. >>> pd.read_csv(temp_path)
    2. 1 \t1.3\t1.4\t2
    3. 0 as\t3\t4\t5
    4. >>> pd.read_csv(temp_path,sep='\s+')
    5. 1 1.3 1.4 2
    6. 0 as 3 4 5
    7. >>>
    8. 这效果看得见

    3、delimiter : str, default None

    定界符,备选分隔符(如果指定该参数,则sep参数失效)

  •  

    
         
         
           
           
           
           
    1. >>> pd.read_csv(temp_path,sep= '\s+',delimiter= '\n')
    2. 1\t1. 3\t1. 4\t2
    3. 0 as\t3\t4\t5
    4. >>>

    ​​​​​

看,当定义了delimiter参数后,我们的sep就失去了作用,就像后面那句骚话一样,‘纵然阅过佳丽三千,不敌你的嫣然回眸,一笑百媚生。’

当然,如果你的delimiter也是正和你的数据分割的符号一样,sep和delimter两个就是一样的了


   
   
     
     
     
     
  1. >>> pd.read_csv(temp_path,delimiter='\t')
  2. 1 1.3 1.4 2
  3. 0 as 3 4 5
  4. >>>

 

4、delim_whitespace : boolean, default False.

是否指定空格(例如’   ‘或者’\t ‘)作为分隔符使用,等效于设定sep='\s+'。如果这个参数设定为Ture那么delimiter 参数失效。

在新版本0.18.1支持

 

古人云,出来混,迟早要还的,纵然delimiter抢了sep的地位,但是更方便的delim_whitespace魔高一尺,道高一丈。

 有了delim_whitespace后,分隔符我们就简化成了,和sep='\s+'一样能处理各种常见分割符


   
   
     
     
     
     
  1. >>> pd.read_csv(temp_path,delim_whitespace=True)
  2. 1 1.3 1.4 2
  3. 0 as 3 4 5
  4. >>>


5、header : int or list of ints, default ‘infer’

指定行数用来作为列名,数据开始行数。如果文件中没有列名,则默认为0,否则设置为None。如果明确设定header=0 就会替换掉原来存在列名。header参数可以是一个list例如:[0,1,3],这个list表示将文件中的这些行作为列标题(意味着每一列有多个标题),介于中间的行将被忽略掉(例如本例中的2;本例中的数据1,2,4行将被作为多级标题出现,第3行数据将被丢弃,dataframe的数据从第5行开始。)。

  1. 注意:如果skip_blank_lines=True 那么header参数忽略注释行和空行,所以header=0表示第一行数据而不是文件的第一行。
    
         
         
           
           
           
           
    1. >>> pd.read_csv(temp_path,delim_whitespace= True,header= None) #无标题的情况下,注意0,1,2,3只是在打印的时候方便看的,不是数据中的内容
    2. 0 1 2 3
    3. 0 1 2 3 4
    4. 1 a b c d
    5. 2 q w e r
    6. >>>  
    
         
         
           
           
           
           
    1. >>>pd.read_csv(temp_path,delim_whitespace= True) #等价于header=0,毕竟header=0为默认值
    2. 1 2 3 4
    3. 0 a b c d
    4. 1 q w e r
    5. >>>
    
         
         
           
           
           
           
    1. >>> pd.read_csv(temp_path,delim_whitespace=True,header=1)
    2. a b c d
    3. 0 q w e r

     

  1.  

  2. 
         
         
           
           
           
           
    1. >>> pd.read_csv(temp_path,delim_whitespace=True,header=[0,2])
    2. Empty DataFrame
    3. Columns: [(1, q), (2, w), (3, e), (4, r)]
    4. Index: []

     


   
   
     
     
     
     
  1. >>> pd.read_csv(temp_path,delim_whitespace=True,header=[0,1])
  2. 1 2 3 4
  3. a b c d
  4. 0 q w e r
  5. >>>
  1.  

对比一下4句代码,就能明白是怎么一回事了,其中header=list时,一定注意,就像【0,2】时是将第0行和第2行作为标题,第一行就会跳过,并从第3行开始读取数据,由于我这没有第3行数据,所以出现的是Empty DataFrame(空dataframe),这也能证明跳过了第一行数据。
 

6、names : array-like, default None

用于结果的列名列表,如果数据文件中没有列标题行,就需要执行header=None。默认列表中不能出现重复,除非设定参数mangle_dupe_cols=True。

 

其实如果觉得上面的中文直译还是很让人费解,那还是直接老规矩上栗子

第一个是原始name的情况:


   
   
     
     
     
     
  1. >>> pd.read_csv(temp_path,delim_whitespace=True)
  2. 1 2 3 4
  3. 0 a b c d
  4. 1 q w e r
  5. >>> pd.read_csv(temp_path,delim_whitespace=True).shape
  6. (2, 4)
  7. >>>

第二个就是name的list中列数等于name原始数据列数的情况


   
   
     
     
     
     
  1. >>> pd.read_csv(temp_path,delim_whitespace=True,names=[5,6,7,8])
  2. 5 6 7 8
  3. 0 1 2 3 4
  4. 1 a b c d
  5. 2 q w e r
  6. >>> pd.read_csv(temp_path,delim_whitespace=True,names=[5,6,7,8]).shape
  7. (3, 4 )
  8. >>>

我们发现,就相当于将在原始数据的脑袋上加了一个新的标题,这就等效于header = None并给数据加了一个你喜欢的列名

第三种,少于原有列名


   
   
     
     
     
     
  1. >>> pd.read_csv(temp_path,delim_whitespace=True,names=[5,6]).shape
  2. (3, 2)
  3. >>> pd.read_csv(temp_path,delim_whitespace=True,names=[5,6])
  4. 5 6
  5. 1 2 3 4
  6. a b c d
  7. q w e r
  8. >>>

我们发现,是从后面开始按你的列表名进行命名加列名,至于前面没有列名的数据,就将该列作为了行索引。

 

index_col : int or sequence or False, default None

用作行索引的列编号或者列名,如果给定一个序列则有多个行索引。

如果文件不规则,行尾有分隔符,则可以设定index_col=False 来是的pandas不适用第一列作为行索引。

 

usecols : array-like, default None

返回一个数据子集,该列表中的值必须可以对应到文件中的位置(数字可以对应到指定的列)或者是字符传为文件中的列名。例如:usecols有效参数可能是 [0,1,2]或者是 [‘foo’, ‘bar’, ‘baz’]。使用这个参数可以加快加载速度并降低内存消耗。

 

as_recarray : boolean, default False

不赞成使用:该参数会在未来版本移除。请使用pd.read_csv(...).to_records()替代。

返回一个Numpy的recarray来替代DataFrame。如果该参数设定为True。将会优先squeeze参数使用。并且行索引将不再可用,索引列也将被忽略。

 

squeeze : boolean, default False

如果文件值包含一列,则返回一个Series

 

prefix : str, default None

在没有列标题时,给列添加前缀。例如:添加‘X’ 成为 X0, X1, ...

 

mangle_dupe_cols : boolean, default True

重复的列,将‘X’...’X’表示为‘X.0’...’X.N’。如果设定为false则会将所有重名列覆盖。

 

dtype : Type name or dict of column -> type, default None

每列数据的数据类型。例如 {‘a’: np.float64, ‘b’: np.int32}

 

engine : {‘c’, ‘python’}, optional

Parser engine to use. The C engine is faster while the python engine is currently more feature-complete.

使用的分析引擎。可以选择C或者是python。C引擎快但是Python引擎功能更加完备。

 

converters : dict, default None

列转换函数的字典。key可以是列名或者列的序号。

 

true_values : list, default None

Values to consider as True

 

false_values : list, default None

Values to consider as False

 

skipinitialspace : boolean, default False

忽略分隔符后的空白(默认为False,即不忽略).

 

skiprows : list-like or integer, default None

需要忽略的行数(从文件开始处算起),或需要跳过的行号列表(从0开始)。

 

skipfooter : int, default 0

从文件尾部开始忽略。 (c引擎不支持)

 

skip_footer : int, default 0

不推荐使用:建议使用skipfooter ,功能一样。

 

nrows : int, default None

需要读取的行数(从文件头开始算起)。

 

na_values : scalar, str, list-like, or dict, default None

一组用于替换NA/NaN的值。如果传参,需要制定特定列的空值。默认为‘1.#IND’, ‘1.#QNAN’, ‘N/A’, ‘NA’, ‘NULL’, ‘NaN’, ‘nan’`.

 

keep_default_na : bool, default True

如果指定na_values参数,并且keep_default_na=False,那么默认的NaN将被覆盖,否则添加。

 

na_filter : boolean, default True

是否检查丢失值(空字符串或者是空值)。对于大文件来说数据集中没有空值,设定na_filter=False可以提升读取速度。

 

verbose : boolean, default False

是否打印各种解析器的输出信息,例如:“非数值列中缺失值的数量”等。

 

skip_blank_lines : boolean, default True

如果为True,则跳过空行;否则记为NaN。

 

parse_dates : boolean or list of ints or names or list of lists or dict, default False

  • boolean. True -> 解析索引
  • list of ints or names. e.g. If [1, 2, 3] -> 解析1,2,3列的值作为独立的日期列;
  • list of lists. e.g. If [[1, 3]] -> 合并1,3列作为一个日期列使用
  • dict, e.g. {‘foo’ : [1, 3]} -> 将1,3列合并,并给合并后的列起名为"foo"

 

infer_datetime_format : boolean, default False

如果设定为True并且parse_dates 可用,那么pandas将尝试转换为日期类型,如果可以转换,转换方法并解析。在某些情况下会快5~10倍。

 

keep_date_col : boolean, default False

如果连接多列解析日期,则保持参与连接的列。默认为False。

 

date_parser : function, default None

用于解析日期的函数,默认使用dateutil.parser.parser来做转换。Pandas尝试使用三种不同的方式解析,如果遇到问题则使用下一种方式。

1.使用一个或者多个arrays(由parse_dates指定)作为参数;

2.连接指定多列字符串作为一个列作为参数;

3.每行调用一次date_parser函数来解析一个或者多个字符串(由parse_dates指定)作为参数。

 

dayfirst : boolean, default False

DD/MM格式的日期类型

 

iterator : boolean, default False

返回一个TextFileReader 对象,以便逐块处理文件。

 

chunksize : int, default None

文件块的大小, See IO Tools docs for more informationon iterator and chunksize.

 

compression : {‘infer’, ‘gzip’, ‘bz2’, ‘zip’, ‘xz’, None}, default ‘infer’

直接使用磁盘上的压缩文件。如果使用infer参数,则使用 gzip, bz2, zip或者解压文件名中以‘.gz’, ‘.bz2’, ‘.zip’, or ‘xz’这些为后缀的文件,否则不解压。如果使用zip,那么ZIP包中国必须只包含一个文件。设置为None则不解压。

新版本0.18.1版本支持zip和xz解压

 

thousands : str, default None

千分位分割符,如“,”或者“."

 

decimal : str, default ‘.’

字符中的小数点 (例如:欧洲数据使用’,‘).

 

float_precision : string, default None

Specifies which converter the C engine should use for floating-point values. The options are None for the ordinary converter, high for the high-precision converter, and round_trip for the round-trip converter.

指定

 

lineterminator : str (length 1), default None

行分割符,只在C解析器下使用。

 

quotechar : str (length 1), optional

引号,用作标识开始和解释的字符,引号内的分割符将被忽略。

 

quoting : int or csv.QUOTE_* instance, default 0

控制csv中的引号常量。可选 QUOTE_MINIMAL (0), QUOTE_ALL (1), QUOTE_NONNUMERIC (2) or QUOTE_NONE (3)

 

doublequote : boolean, default True

双引号,当单引号已经被定义,并且quoting 参数不是QUOTE_NONE的时候,使用双引号表示引号内的元素作为一个元素使用。

 

escapechar : str (length 1), default None

当quoting 为QUOTE_NONE时,指定一个字符使的不受分隔符限值。

 

comment : str, default None

标识着多余的行不被解析。如果该字符出现在行首,这一行将被全部忽略。这个参数只能是一个字符,空行(就像skip_blank_lines=True)注释行被header和skiprows忽略一样。例如如果指定comment='#' 解析‘#empty\na,b,c\n1,2,3’ 以header=0 那么返回结果将是以’a,b,c'作为header。

 

encoding : str, default None

指定字符集类型,通常指定为'utf-8'. List of Python standard encodings

 

dialect : str or csv.Dialect instance, default None

如果没有指定特定的语言,如果sep大于一个字符则忽略。具体查看csv.Dialect 文档

 

tupleize_cols : boolean, default False

Leave a list of tuples on columns as is (default is to convert to a Multi Index on the columns)

 

error_bad_lines : boolean, default True

如果一行包含太多的列,那么默认不会返回DataFrame ,如果设置成false,那么会将改行剔除(只能在C解析器下使用)。

 

warn_bad_lines : boolean, default True

如果error_bad_lines =False,并且warn_bad_lines =True 那么所有的“bad lines”将会被输出(只能在C解析器下使用)。

 

low_memory : boolean, default True

分块加载到内存,再低内存消耗中解析。但是可能出现类型混淆。确保类型不被混淆需要设置为False。或者使用dtype 参数指定类型。注意使用chunksize 或者iterator 参数分块读入会将整个文件读入到一个Dataframe,而忽略类型(只能在C解析器中有效)

 

buffer_lines : int, default None

不推荐使用,这个参数将会在未来版本移除,因为他的值在解析器中不推荐使用

 

compact_ints : boolean, default False

不推荐使用,这个参数将会在未来版本移除

如果设置compact_ints=True ,那么任何有整数类型构成的列将被按照最小的整数类型存储,是否有符号将取决于use_unsigned 参数

 

use_unsigned : boolean, default False

不推荐使用:这个参数将会在未来版本移除

如果整数列被压缩(i.e. compact_ints=True),指定被压缩的列是有符号还是无符号的。

memory_map : boolean, default False

如果使用的文件在内存内,那么直接map文件使用。使用这种方式可以避免文件再次进行IO操作。

你可能感兴趣的:(Python)