CSV failai yra kableliais atskirti failai. Norėdami pasiekti duomenis iš CSV failo, iš Pandas reikia funkcijos read_csv(), kuri nuskaito duomenis duomenų rėmelio pavidalu.

read_csv() sintaksė

Čia yra Pandos skaitė CSV sintaksė su jos parametrais.

Sintaksė: pd.read_csv (filepath_or_buffer, sep=' ,' , header='infer', index_col=Nėra, usecols=Nėra, engine=Nėra, skiprows=Nėra, nrows=Nėra)

Parametrai:

• failo kelias_arba_buferis : csv failo vieta. Jis priima bet kokį failo eilutės kelią arba URL.
• rugsėjis : Reiškia skyriklį, numatytasis yra ', '.
• antraštę : priima int, int sąrašą, eilučių numerius, naudojamus kaip stulpelių pavadinimus, ir duomenų pradžią. Jei vardai nepateikiami, t. y. header=Nėra, tada pirmasis stulpelis bus rodomas kaip 0, antrasis kaip 1 ir pan.
• naudokite kol kas : nuskaito tik pasirinktus stulpelius iš CSV failo.
• nrows : eilučių, kurios turi būti rodomos iš duomenų rinkinio, skaičius.
• index_col : Jei nėra, kartu su įrašais nerodomi jokie indekso numeriai.
• žiobriai : praleidžiamos perduotos eilutės naujame duomenų rėmelyje.

Skaitykite CSV failą naudodami Pandas read_csv

Prieš naudodami šią funkciją, turime importuoti Pandos biblioteką, įkelsime CSV failą naudodami Pandas.

PYTHON3

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

Išvestis:

 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 

Naudojant rugsėjis į read_csv()

Šiame pavyzdyje paimsime CSV failą ir pridėsime keletą specialių simbolių, kad pamatytume, kaip rugsėjis parametras veikia.

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)>

Išvestis:

 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 

Usecols naudojimas read_csv()

Čia nurodome tik 3 stulpelius, t. y. [First Name, Sex, Email], kuriuos reikia įkelti, o antraštę 0 naudojame kaip numatytąją antraštę.

Python3

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

Išvestis:

 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] 

Index_col naudojimas read_csv()

Čia mes naudojame Seksas pirmiausia indeksas, o tada Darbo pavadinimas indeksą, galime tiesiog iš naujo indeksuoti antraštę su index_col parametras.

Python3

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

Išvestis:

 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] 

nrow naudojimas faile read_csv()

Čia mes tiesiog rodome tik 5 eilutes nrows parametras .

Python3

df> => pd.read_csv(> 'people.csv'> ,> > header> => 0> ,> > index_col> => [> 'Sex'> ,> 'Job Title'> ],> > usecols> => [> 'Sex'> ,> 'Job Title'> ,> 'Email'> ],> > nrows> => 3> )> print> (df)>

Išvestis:

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

Praleidžiamųjų žodžių naudojimas read_csv()

The žiobriai padėti praleisti kai kurias CSV eilutes, t.

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)>

Išvestis:

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