使用pandas读取文件的实现

pandas可以将读取到的表格型数据（文件不一定要是表格）转成DataFrame类型的数据结构，然后我们可以通过操作DataFrame进行数据分析，数据预处理以及行和列的操作等。下面介绍一些常用读取文件的方法

1、read_csv函数

功能：从文件、URL、文件新对象中加载带有分隔符的数据，默认分隔符是逗号。

data.txt

a,b,c,d,name
1,2,3,4,python
5,6,7,8,java
9,10,11,12,c++

 data = pd.read_csv("data.txt")
 print(data)
 '''
   a  b  c  d  name
 0 1  2  3  4 python
 1 5  6  7  8  java
 2 9 10 11 12   c++
 '''

2、read_table函数

功能：从文件、URL、文件型对象中加载带分隔符的数据，默认分隔符为制表符("\t")。
data.txt的内容还是不变，我们可以通过指定read_table的sep参数来修改默认的分隔符。

 data = pd.read_table("data.txt",sep=",")
 print(data)
 '''
   a  b  c  d  name
 0 1  2  3  4 python
 1 5  6  7  8  java
 2 9 10 11 12   c++
 '''

3、读取没有标题的文件

data.txt

1,2,3,4,python
5,6,7,8,java
9,10,11,12,c++

 data = pd.read_csv("data.txt")
 #默认将第一行作为标题
 print(data)
 '''
   1  2  3  4 python
 0 5  6  7  8  java
 1 9 10 11 12  c++
 '''
 #设置header参数，读取文件的时候没有标题
 data1 = pd.read_csv("data.txt",header=None)
 print(data1)
 '''
   0  1  2  3    4
 0 1  2  3  4 python
 1 5  6  7  8  java
 2 9 10 11 12   c++
 '''
 #设置names参数，来设置文件的标题
 data2 = pd.read_csv("data.txt",names=["a","b","c","d","name"])
 print(data2)
 '''
   a  b  c  d  name
 0 1  2  3  4 python
 1 5  6  7  8  java
 2 9 10 11 12   c++
 '''

4、读取文件设置列索引

 #设置names参数，来设置文件的标题,设置index_col参数来设置列索引
 data2 = pd.read_csv("data.txt",names=["a","b","c","d","name"],index_col="name")
 print(data2)
 '''
     a  b  c  d
 name
 python 1  2  3  4
 java  5  6  7  8
 c++   9 10 11 12
 '''

如果不设置列索引，默认会使用从0开始的整数索引。当对表格的某一行或列进行操作之后，在保存成文件的时候你会发现总是会多一列从0开始的列，如果设置index_col参数来设置列索引，就不会出现这种问题了。

a、指定多个列为列索引产生一个层次化索引

一个值由两个列索引(key1和kye2)和一个行索引(value1或value2)来决定，可以将其理解为一个三维数据，三个点来构成一个坐标位置。

data.txt

key1,key2,value1,value2
a,a,1,2
a,b,3,4
b,c,5,6
b,d,7,8
c,e,9,10
c,f,11,12

data = pd.read_csv("data.txt",index_col=["key1","key2"])
 print(data)
 '''
       value1 value2
 key1 key2
 a  a     1    2
    b     3    4
 b  c     5    6
    d     7    8
 c  e     9   10
    f     11   12
 '''

5、对于不规则分隔符，使用正则表达式读取文件

文件中的分隔符采用的是空格，那么我们只需要设置sep=" "来读取文件就可以了。当分隔符并不是单个的空格，也许有的是一个空格有的是多个空格时，如果这个时候还是采用sep=" "来读取文件，也许你就会得到一个很奇怪的数据，因为它会将空格也做为数据。

data.txt

name a  b c  d
python  1 2 3   4
java 5 6 7 8
c++ 9  10  11 12

 data = pd.read_csv("data.txt",sep=" ")
 print(data)
 '''
     name  a Unnamed: 2 Unnamed: 3  b Unnamed: 5  c Unnamed: 7 \
 python  NaN NaN     1.0     NaN  2     3.0 NaN     NaN  
 java   5.0 6.0     NaN     7.0  8     NaN NaN     NaN  
 c++   NaN 9.0     NaN     NaN 10     NaN NaN    11.0  

Unnamed: 8 Unnamed: 9  d
 python     NaN     NaN 4.0
 java      NaN     NaN NaN
 c++      NaN    12.0 NaN
 '''

使用正则表达式进行分割就可以避免上面问题的发生

 data = pd.read_csv("data.txt",sep="\s+")
 print(data)
 '''
    name a  b  c  d
 0 python 1  2  3  4
 1  java 5  6  7  8
 2   c++ 9 10 11 12
 '''

6、跳行读取文件

有的时候，你会遇到表格中的某些行数据你并不需要。可以通过skiprows参数来跳过这些行。

data.txt

#data.txt
name,a,b,c,d
python,1,2,3,4
#hello
java,5,6,7,8
#word
c++,9,10,11,12

 #通过skiprows参数来设置跳过行,从0开始
 data = pd.read_csv("data.txt",skiprows=[0,3,5])
 print(data)
 '''
    name a  b  c  d
 0 python 1  2  3  4
 1  java 5  6  7  8
 2   c++ 9 10 11 12
 '''

7、读取含有缺失值的文件

使用pandas在读取文件的时候，pandas会默认将NA、-1.#IND、NULL等当作是缺失值，pandas默认使用NaN进行代替。

data.txt

name,a,b,c,d
python,1,NA,3,4
java,5,6,7,NULL
c++,-1.#IND,10,,12

 data = pd.read_csv("data.txt")
 print(data)
 '''
    name  a   b  c   d
 0 python 1.0  NaN 3.0  4.0
 1  java 5.0  6.0 7.0  NaN
 2   c++ NaN 10.0 NaN 12.0
 '''

也许有的时候也许pandas默认被当作的缺失值还不能满足你的要求，我们可以通过设置na_values，将指定的值替换成为NaN值

 data1 = pd.read_csv("data.txt",na_values=["java","c++"])
 print(data1)
 '''
    name  a   b  c   d
 0 python 1.0  NaN 3.0  4.0
 1   NaN 5.0  6.0 7.0  NaN
 2   NaN NaN 10.0 NaN 12.0
 '''

也许有时候你还会遇到，你想将某个值替换成为NaN,但是可能有多个列都包含了这个值，而我们却不想替换所有的列，我们可以通过一个字典的形式来设置na_values参数，字典的键就是列索引，值就是你要替换的值。

data.txt

name,a,b,c,d
python,1,NA,3,4
java,5,6,python,NULL
c++,-1.#IND,10,,c++

 #将python和c++都用NaN进行替代，将所有的python和c++都替换成了NaN
 data1 = pd.read_csv("data.txt",na_values=["python","c++"])
 print(data1)
 '''
   name  a   b  c  d
 0  NaN 1.0  NaN 3.0 4.0
 1 java 5.0  6.0 NaN NaN
 2  NaN NaN 10.0 NaN NaN
 '''

只将第一列的python和c++替换为NaN

 #将python和c++都用NaN进行替代
 dic = {"name":["python","c++"]}
 data1 = pd.read_csv("data.txt",na_values=dic)
 print(data1)
 '''
   name  a   b    c  d
 0  NaN 1.0  NaN    3  4
 1 java 5.0  6.0 python NaN
 2  NaN NaN 10.0   NaN c++
 '''

8、read_csv和read_tabel的参数介绍

read_csv和read_table函数有很多的参数，下面对一些重点参数进行介绍。

参数：

path：表示文件系统位置、URL、文件型对象的字符串。

sep或delimiter：用于对行中各字段进行拆分的字符序列或正则表达式。

header：用作列名的行号。默认为0（第一行），如果文件没有标题行就将header参数设置为None。

index_col：用作行索引的列编号或列名。可以是单个名称/数字或有多个名称/数字组成的列表（层次化索引）。

names：用于结果的列名列表，结合header=None，可以通过names来设置标题行。

skiprows：需要忽略的行数（从0开始），设置的行数将不会进行读取。

na_values：设置需要将值替换成NA的值。

comment：用于注释信息从行尾拆分出去的字符（一个或多个）。

parse_dates：尝试将数据解析为日期，默认为False。如果为True，则尝试解析所有列。除此之外，参数可以指定需要解析的一组列号或列名。如果列表的元素为列表或元组，就会将多个列组合到一起再进行日期解析工作。

keep_date_col：如果连接多列解析日期，则保持参与连接的列。默认为False。

converters：由列号/列名跟函数之间的映射关系组成的字典。如,{"age:",f}会对列索引为age列的所有值应用函数f。

dayfirst：当解析有歧义的日期时，将其看做国际格式（例如，7/6/2012   ---> June 7 , 2012）。默认为False。

date_parser：用于解析日期的函数。

nrows：需要读取的行数。

iterator：返回一个TextParser以便逐块读取文件。

chunksize：文件块的大小（用于迭代）。

skip_footer：需要忽略的行数（从文件末尾开始计算）。

verbose：打印各种解析器输出信息，如“非数值列中的缺失值的数量”等。

encoding：用于unicode的文本编码格式。例如，"utf-8"或"gbk"等文本的编码格式。

squeeze：如果数据经过解析之后只有一列的时候，返回Series。

thousands：千分位分隔符，如","或"."。

来源：https://blog.csdn.net/sinat_29957455/article/details/79054126