Pliki CSV to pliki rozdzielane przecinkami. Aby uzyskać dostęp do danych z pliku CSV, potrzebujemy funkcji read_csv() z Pandy, która pobiera dane w postaci ramki danych.
Składnia read_csv()
Tutaj jest Pandy czytają CSV składnia z jej parametrami.
Składnia: pd.read_csv (filepath_or_buffer, sep=’ ,’ , header=’infer’, indeks_col=None, usecols=None, Engine=None, skiprows=None, nrows=None)
Parametry:
- ścieżka_pliku lub_bufor : Lokalizacja pliku CSV. Akceptuje dowolną ścieżkę ciągu lub adres URL pliku.
- wrzesień : Oznacza separator, domyślnie jest to „,”.
- nagłówek : Akceptuje int, listę int, numery wierszy używanych jako nazwy kolumn i początek danych. Jeśli nie zostaną przekazane żadne nazwy, tj. header=None, pierwsza kolumna wyświetli się jako 0, druga jako 1 i tak dalej.
- użyjkols : Pobiera tylko wybrane kolumny z pliku CSV.
- nowi : Liczba wierszy, które mają zostać wyświetlone ze zbioru danych.
- indeks_kol : Jeśli Brak, obok rekordów nie są wyświetlane żadne numery indeksów.
- przeskoki : pomija przekazane wiersze w nowej ramce danych.
Przeczytaj plik CSV za pomocą Pandy read_csv
Przed użyciem tej funkcji musimy zaimportować plik Pandy bibliotekę, załadujemy plik CSV za pomocą Pand.
PYTON3
mvc dla Javy
# Import pandas> import> pandas as pd> # reading csv file> df>=> pd.read_csv(>'people.csv'>)> print>(df.head())> |
>
>
Wyjście:
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>
Za pomocą wrzesień w read_csv()
W tym przykładzie weźmiemy plik CSV, a następnie dodamy kilka znaków specjalnych, aby zobaczyć, jak wrzesień parametr działa.
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)> |
>
>
Wyjście:
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>
Używanie usecols w read_csv()
Tutaj określamy tylko 3 kolumny, tj. [Imię, Płeć, E-mail] do załadowania i używamy nagłówka 0 jako domyślnego nagłówka.
Python3
df>=> pd.read_csv(>'people.csv'>,> >header>=>0>,> >usecols>=>[>'First Name'>,>'Sex'>,>'Email'>])> # printing dataframe> print>(df.head())> |
>
>
Wyjście:
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]>
Używanie indeksu_col w read_csv()
Tutaj używamy Seks najpierw indeks, a potem Stanowisko indeks, możemy po prostu ponownie zaindeksować nagłówek indeks_kol parametr.
Python3
listonosz
df>=> pd.read_csv(>'people.csv'>,> >header>=>0>,> >index_col>=>[>'Sex'>,>'Job Title'>],> >usecols>=>[>'Sex'>,>'Job Title'>,>'Email'>])> print>(df.head())> |
>
>
Wyjście:
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]>
Używanie nrows w read_csv()
Tutaj wyświetlamy tylko 5 wierszy przy użyciu parametr nrows .
Python3
pierwszeństwo operatora Java
df>=> pd.read_csv(>'people.csv'>,> >header>=>0>,> >index_col>=>[>'Sex'>,>'Job Title'>],> >usecols>=>[>'Sex'>,>'Job Title'>,>'Email'>],> >nrows>=>3>)> print>(df)> |
>
>
Wyjście:
Email Sex Job Title Male Games developer [email protected] Female Phytotherapist [email protected] Male Homeopath [email protected]>
Używanie pomijanych wierszy w read_csv()
The przeskoki pomagają pominąć niektóre wiersze w pliku CSV, tj. tutaj zauważysz, że wiersze wymienione w pomijanych wierszach zostały pominięte w oryginalnym zbiorze danych.
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)> |
>
>
Wyjście:
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>