- ubuntu12.04环境下使用kvm ioctl接口实现最简单的虚拟机
- Ubuntu 通过无线网络安装Ubuntu Server启动系统后连接无线网络的方法
- 在Ubuntu上搭建网桥的方法
- ubuntu 虚拟机上网方式及相关配置详解
CFSDN坚持开源创造价值,我们致力于搭建一个资源共享平台,让每一个IT人在这里找到属于你的精彩世界.
这篇CFSDN的博客文章pandas.read_csv参数详解(小结)由作者收集整理,如果你对这篇文章有兴趣,记得点赞哟.
pandas.read_csv参数整理 。
读取csv(逗号分割)文件到dataframe 。
也支持文件的部分导入和选择迭代 。
更多帮助参见:http://pandas.pydata.org/pandas-docs/stable/io.html 。
参数:
filepath_or_buffer : str,pathlib。str, pathlib.path, py._path.local.localpath or any object with a read() method (such as a file handle or stringio) 。
可以是url,可用url类型包括:http, ftp, s3和文件。对于多文件正在准备中 。
本地文件读取实例:://localhost/path/to/table.csv 。
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' 。
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) 。
delim_whitespace : boolean, default false. 。
指定空格(例如' ‘或者' ‘)是否作为分隔符使用,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 。
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。).
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.
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.
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 。
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.
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持我.
原文链接:https://www.cnblogs.com/datablog/p/6127000.html 。
最后此篇关于pandas.read_csv参数详解(小结)的文章就讲到这里了,如果你想了解更多关于pandas.read_csv参数详解(小结)的内容请搜索CFSDN的文章或继续浏览相关文章,希望大家以后支持我的博客! 。
我正在尝试使用 dask 读取 csv 文件,它给了我如下错误。但问题是我想要我的 ARTICLE_ID是 object(string) .谁能帮我成功读取数据? 回溯如下: ValueError:
我有一个文件,其中包含如下数据 1000000 183:0.6673;2:0.3535;359:0.304;363:0.1835 1000001 92:1.0 1000002 112:1.0 1000
我刚刚注意到 read_csv()以某种方式使用了意外的随机数(至少对我而言)。对应的基R函数read.csv()不这样做。那么,read_csv() 是什么意思?使用随机数?我查看了文档,但找不到明
我有一个 csv 文件,其中包含日期和时间戳作为两列。我正在使用 Pandas read_csv将内容读入数据帧。我的最终目标是根据数据绘制时间序列图。 !head vmstat.csv wait_p
我正在解析大量 csv 数据。数据相当“脏”,因为我有不一致的分隔符、虚假字符和格式问题,这些问题会导致 出现问题。 read_csv() . 然而,我的问题不是数据的肮脏,而是试图理解 的解析错误。
我有以下 csv: value value value value ... id 1 1 1
我无法读取仅知道部分文件名的 csv 文件。这是我所做的,但出现错误: "pandas.errors.ParserError: Error tokenizing data." What should
我想知道是否有办法在 read_csv() 过程中读取分类值。 通常您可以在事后进行转换,例如: df.zone = df.zone.astype('category') 此时 df 占用了更多内存,
我尝试用 pandas 分析的 HTTP 日志文件有时会有意外的行。这是我加载数据的方式: df = pd.read_csv('mylog.log', sep=r'\s(?=(
csv 数据示例: 2019-08-15 00:00:06,430 0:0 - {"info":{"name":"LTD - PUBLIC"}} pd.read_csv(filepath, sep=
我对 python 很陌生。 我正在尝试使用 python 自动执行一些建筑能耗数据的数据分析。我正在使用 python 2.7.3、pandas 0.12、Canopy with qtconsole
我有一个 csv 文件,格式如下: 0;2017-02-16 15:08:16;81,307877;;;;;;; 因此,分号作为分隔符,日期和时间以及带小数点逗号的 float 。最后是一堆分号。 P
我有一个 csv 文件如下: 0 5 1 10 2 15 3 20 4 25 我想将其保存为名称为 x,y 轴的数据框,然后绘制它。但是,当我分配 x,y 时,我得到了一个困惑的 DataFrame,
这里将更新最新的最全面的read_csv()函数功能以及参数介绍,参考资料来源于官网。 pandas库简介 官方网站里详细说明了pandas库的安装以及使用方法,在这里获取最新的pandas库信
从windows操作系统本地读取csv文件报错 ? 1
pandas.read_csv()遇到读进来乱码问题 1.设置encoding='gbk'或者encoding='utf-8'。pandas.read_csv('data.csv',encodin
我有一个包含日期、国家/地区(只能在预定义列表中取值)等信息的 csv 文件,我目前正在使用 converters 参数来进行一些完整性检查,如下所示: import pandas as pd def
我是 Pandas 库的新手。 我共享了基于数据框的代码。 有没有办法在没有任何定界符的情况下逐行读取 gzip 文件(使用整行,该行可以包含逗号和其他字符)作为单行并在数据框中使用它?似乎你必须提供
我正在有效地尝试将以下文件读入 DataFrame 并再次将其原封不动地写出。 F1,F2,F3,F4,F5 "blah","blah",123,"123","123" "blue","blue",4
我正在尝试读取一个在每个单元格中包含多个值的 csv 文件,并且我想将它们编码为单个 int 格式的字节以存储在 Pandas 单元格中,(例如 (1, 1) -> 771)。为此,我想使用 read
我是一名优秀的程序员,十分优秀!