PANDAER LÆS CSV I PYTHON

CSV-filer er kommaseparerede filer. For at få adgang til data fra CSV-filen kræver vi en funktion read_csv() fra Pandas, der henter data i form af datarammen.

Syntaks for read_csv()

Her er Pandaer læser CSV syntaks med dens parametre.

Syntaks: pd.read_csv (filepath_or_buffer, sep=’ ,’ , header=’infer’, index_col=Ingen, usecols=Ingen, engine=Ingen, skiprows=Ingen, nrows=Ingen)

Parametre:

filsti_eller_buffer : Placering af csv-filen. Den accepterer enhver strengsti eller URL til filen.

sep : Det står for separator, standard er ', '.

header : Den accepterer int, en liste over int, rækkenumre til brug som kolonnenavne og starten af dataene. Hvis der ikke sendes nogen navne, dvs. header=Ingen, så viser den den første kolonne som 0, den anden som 1, og så videre.

usecols : Henter kun valgte kolonner fra CSV-filen.

indsnævrer : Antal rækker, der skal vises fra datasættet.

index_col : Hvis Ingen, vises der ingen indeksnumre sammen med posterne.

overspring : Springer beståede rækker over i den nye dataramme.

Læs CSV-fil ved hjælp af Pandas read_csv

Før vi bruger denne funktion, skal vi importere Pandaer biblioteket, indlæser vi CSV-filen ved hjælp af Pandas.

PYTHON3

# Import pandas> import> pandas as pd> # reading csv file> df> => pd.read_csv(> 'people.csv'> )> print> (df.head())>

Produktion:

 First Name Last Name Sex Email Date of birth Job Title  0 Shelby Terrell Male [email protected] 1945-10-26 Games developer  1 Phillip Summers Female [email protected] 1910-03-24 Phytotherapist  2 Kristine Travis Male [email protected] 1992-07-02 Homeopath  3 Yesenia Martinez Male [email protected] 2017-08-03 Market researcher 4 Lori Todd Male [email protected] 1938-12-01 Veterinary surgeon

Ved brug af sep i read_csv()

I dette eksempel vil vi tage en CSV-fil og derefter tilføje nogle specialtegn for at se, hvordan sep parameter virker.

Python3

# sample = 'totalbill_tip, sex:smoker, day_time, size> # 16.99, 1.01:Female|No, Sun, Dinner, 2> # 10.34, 1.66, Male, No|Sun:Dinner, 3> # 21.01:3.5_Male, No:Sun, Dinner, 3> #23.68, 3.31, Male|No, Sun_Dinner, 2> # 24.59:3.61, Female_No, Sun, Dinner, 4> # 25.29, 4.71|Male, No:Sun, Dinner, 4'> # Importing pandas library> import> pandas as pd> # Load the data of csv> df> => pd.read_csv(> 'sample.csv'> ,> > sep> => '[:, |_]'> ,> > engine> => 'python'> )> # Print the Dataframe> print> (df)>

Produktion:

 totalbill tip Unnamed: 2 sex smoker Unnamed: 5 day time Unnamed: 8 size  16.99 NaN 1.01 Female No NaN Sun NaN Dinner NaN 2 10.34 NaN 1.66 NaN Male NaN No Sun Dinner NaN 3 21.01 3.50 Male NaN No Sun NaN Dinner NaN 3.0 None 23.68 NaN 3.31 NaN Male No NaN Sun Dinner NaN 2 24.59 3.61 NaN Female No NaN Sun NaN Dinner NaN 2 25.29 NaN 4.71 Male NaN No Sun NaN Dinner NaN 4

Brug af usecols i read_csv()

Her angiver vi kun 3 kolonner, dvs. [Fornavn, Køn, E-mail] for at indlæse, og vi bruger overskriften 0 som standardoverskriften.

Python3

df> => pd.read_csv(> 'people.csv'> ,> > header> => 0> ,> > usecols> => [> 'First Name'> ,> 'Sex'> ,> 'Email'> ])> # printing dataframe> print> (df.head())>

Produktion:

 First Name Sex Email 0 Shelby Male [email protected] 1 Phillip Female [email protected] 2 Kristine Male [email protected] 3 Yesenia Male [email protected] 4 Lori Male [email protected]

Brug af index_col i read_csv()

Her bruger vi Køn indeks først og derefter Jobtitel indeks, kan vi blot genindeksere overskriften med index_col parameter.

Python3

df> => pd.read_csv(> 'people.csv'> ,> > header> => 0> ,> > index_col> => [> 'Sex'> ,> 'Job Title'> ],> > usecols> => [> 'Sex'> ,> 'Job Title'> ,> 'Email'> ])> print> (df.head())>

Produktion:

 Email Sex Job Title  Male Games developer [email protected] Female Phytotherapist [email protected] Male Homeopath [email protected]  Market researcher [email protected]  Veterinary surgeon [email protected]

Brug af nrows i read_csv()

Her viser vi kun 5 rækker vha indsnævringsparameter .

Python3

Produktion:

 Email Sex Job Title  Male Games developer [email protected] Female Phytotherapist [email protected] Male Homeopath [email protected]

Brug af overspring i read_csv()

Det overspring hjælp til at springe nogle rækker over i CSV, dvs. her vil du se, at de nævnte rækker i overspringsrækker er sprunget over fra det originale datasæt.

Python3

df> => pd.read_csv(> 'people.csv'> )> print> (> 'Previous Dataset: '> )> print> (df)> # using skiprows> df> => pd.read_csv(> 'people.csv'> , skiprows> => [> 1> ,> 5> ])> print> (> 'Dataset After skipping rows: '> )> print> (df)>

Produktion:

Previous Dataset:  First Name Last Name Sex Email Date of birth Job Title  0 Shelby Terrell Male [email protected] 1945-10-26 Games developer 1 Phillip Summers Female [email protected] 1910-03-24 Phytotherapist  2 Kristine Travis Male [email protected] 1992-07-02 Homeopath  3 Yesenia Martinez Male [email protected] 2017-08-03 Market researcher 4 Lori Todd Male [email protected] 1938-12-01 Veterinary surgeon  5 Erin Day Male [email protected] 2015-10-28 Management officer  6 Katherine Buck Female [email protected] 1989-01-22 Analyst 7 Ricardo Hinton Male [email protected] 1924-03-26 Hydrogeologist  Dataset After skipping rows:   First Name Last Name Sex Email Date of birth Job Title  0 Shelby Terrell Male [email protected] 1945-10-26 Games developer 1 Kristine Travis Male [email protected] 1992-07-02 Homeopath  2 Yesenia Martinez Male [email protected] 2017-08-03 Market researcher 3 Lori Todd Male [email protected] 1938-12-01 Veterinary surgeon  4 Katherine Buck Female [email protected] 1989-01-22 Analyst 5 Ricardo Hinton Male [email protected] 1924-03-26 Hydrogeologist