Archivos CSV de Pandas
CSV (Comma-Separated Values, valores separados por comas, a veces también llamados valores separados por caracteres, porque el carácter separador puede no ser una coma); sus archivos almacenan datos tabulares (números y texto) en forma de texto plano.
CSV es un formato de archivo universal y relativamente simple, ampliamente utilizado por usuarios, empresas y el ámbito científico.
Pandas puede manejar archivos CSV de manera muy conveniente; los métodos comunes son:
| Nombre del método | Descripción de la función | Parámetros comunes |
|---|---|---|
pd.read_csv() | Lee datos de un archivo CSV y los carga como DataFrame | filepath_or_buffer(ruta u objeto de archivo),sep(delimitador),header(encabezado),names(nombres de columnas personalizados),dtype(tipo de datos),index_col(columna de índice) |
DataFrame.to_csv() | Escribe el DataFrame en un archivo CSV | path_or_buffer(ruta de destino u objeto de archivo),sep(delimitador),index(si escribir el índice),columns(columnas especificadas),header(si escribir los nombres de las columnas),mode(modo de escritura) |
Este artículo utilizanba.csvcomo ejemplo, puedesdescargar nba.csvoabrir nba.csvpara verlo.
pd.read_csv() - Leer archivos CSV
read_csv() es el método principal para leer datos de un archivo CSV; carga los datos como un DataFrame.
import pandas as pd
# 读取 CSV 文件，并自定义列名和分隔符
df = pd.read_csv('data.csv', sep=';', header=0, names=['A', 'B', 'C'], dtype={'A': int, 'B': float})
print(df)
Parámetros comunes de read_csv:
| Parámetro | Descripción | Valor predeterminado |
|---|---|---|
filepath_or_buffer | Ruta del archivo CSV u objeto de archivo (admite URL, rutas de archivo, objetos de archivo, etc.) | Parámetro obligatorio |
sep | Define el delimitador de campos; por defecto es una coma (,), se puede cambiar a otros caracteres, como el tabulador (\t） | ',' |
header | Especifica el número de fila como encabezado de columna; por defecto es 0 (la primera fila), o se puede establecer comoNonesin encabezado | 0 |
names | Nombres de columnas personalizados; pasar una lista de nombres de columnas | None |
index_col | Número o nombre de la columna utilizada como índice de filas | None |
usecols | Lee las columnas especificadas; pueden ser nombres de columnas o índices de columnas | None |
dtype | Fuerza la conversión de las columnas al tipo de datos especificado | None |
skiprows | Omite el número especificado de filas al inicio del archivo, o pasa una lista de números de fila | None |
nrows | Lee las primeras N filas de datos | None |
na_values | Especifica qué valores deben tratarse como valores faltantes (NaN) | None |
skipfooter | Omite el número especificado de filas al final del archivo | 0 |
encoding | Formato de codificación del archivo (por ejemplo,utf-8，latin1etc.) | None |
Leer los datos del archivo nba.csv:
Ejemplo
import pandas as pd
df = pd.read_csv('nba.csv')
print(df.to_string())
df = pd.read_csv('nba.csv')
print(df.to_string())
to_string()Se utiliza para devolver datos de tipo DataFrame; si no se usa esta función, el resultado de salida son las primeras 5 filas y las últimas 5 filas, con la parte intermedia sustituida por...en su lugar.
Ejemplo
import pandas as pd
df = pd.read_csv('nba.csv')
print(df)
df = pd.read_csv('nba.csv')
print(df)
Name Team Number Position Age Height Weight College Salary
0 Avery Bradley Boston Celtics 0.0 PG 25.0 6-2 180.0 Texas 7730337.0
1 Jae Crowder Boston Celtics 99.0 SF 25.0 6-6 235.0 Marquette 6796117.0
2 John Holland Boston Celtics 30.0 SG 27.0 6-5 205.0 Boston University NaN
3 R.J. Hunter Boston Celtics 28.0 SG 22.0 6-5 185.0 Georgia State 1148640.0
4 Jonas Jerebko Boston Celtics 8.0 PF 29.0 6-10 231.0 NaN 5000000.0
.. ... ... ... ... ... ... ... ... ...
453 Shelvin Mack Utah Jazz 8.0 PG 26.0 6-3 203.0 Butler 2433333.0
454 Raul Neto Utah Jazz 25.0 PG 24.0 6-1 179.0 NaN 900000.0
455 Tibor Pleiss Utah Jazz 21.0 C 26.0 7-3 256.0 NaN 2900000.0
456 Jeff Withey Utah Jazz 24.0 C 26.0 7-0 231.0 Kansas 947276.0
457 NaN NaN NaN NaN NaN NaN NaN NaN NaN
df.to_csv() - Escribir DataFrame en un archivo CSV
to_csv() es el método para escribir un DataFrame en un archivo CSV; admite configuraciones como delimitador personalizado, nombres de columnas, si incluir el índice, etc.
import pandas as pd
# 假设 df 是一个已有的 DataFrame
df.to_csv('output.csv', index=False, header=True, columns=['A', 'B'])
Parámetros comunes de to_csv:
| Parámetro | Descripción | Valor predeterminado |
|---|---|---|
path_or_buffer | Ruta del archivo CSV u objeto de archivo (admite rutas de archivo, objetos de archivo) | Parámetro obligatorio |
sep | Define el delimitador de campos; por defecto es una coma (,), se puede cambiar a otros caracteres, como el tabulador (\t） | ',' |
index | Si escribir el índice de filas; por defectoTrueindica que se escribe el índice | True |
columns | Especifica las columnas a escribir; puede ser una lista de nombres de columnas | None |
header | Si escribir los nombres de las columnas; por defectoTrueindica que se escriben los nombres de las columnas; al establecer comoFalseindica que no se escriben los nombres de las columnas | True |
mode | Modo de escritura del archivo; por defecto esw(modo escritura), se puede establecer comoa(modo añadir) | 'w' |
encoding | Formato de codificación del archivo, comoutf-8，latin1esperar | None |
line_terminator | Define el finalizador de línea; por defecto es\n | None |
quoting | Configura cómo manejar las comillas de los datos en el archivo (0-3, consulte la documentación para los modos específicos de comillas) | None |
quotechar | Establece el carácter utilizado para las comillas; por defecto son comillas dobles" | '"' |
date_format | Formato de fecha personalizado; si las columnas contienen datos de fecha, se puede usar este parámetro para especificar el formato de fecha | None |
doublequote | Si esTrue, al escribir, el texto que contiene comillas se envolverá entre comillas dobles | True |
También podemos usar el métodoto_csv()para almacenar el DataFrame como un archivo CSV:
Ejemplo
import pandas as pd
# Tres campos: name, site, age
nme = ["Google", "Ejemplo", "Taobao", "Wiki"]
st = ["www.google.com", "www.example.com", "www.taobao.com", "www.wikipedia.org"]
ag = [90, 40, 80, 98]
# Diccionario
dict = {'name': nme, 'site': st, 'age': ag}
df = pd.DataFrame(dict)
# Guardar dataframe
df.to_csv('site.csv')
# Tres campos: name, site, age
nme = ["Google", "Ejemplo", "Taobao", "Wiki"]
st = ["www.google.com", "www.example.com", "www.taobao.com", "www.wikipedia.org"]
ag = [90, 40, 80, 98]
# Diccionario
dict = {'name': nme, 'site': st, 'age': ag}
df = pd.DataFrame(dict)
# Guardar dataframe
df.to_csv('site.csv')
Después de ejecutarlo correctamente, abrimos el archivo site.csv y el resultado se muestra de la siguiente manera:
Procesamiento de datos
head()
head( n )El método se utiliza para leer las primeras n filas; si no se proporciona el parámetro n, devuelve 5 filas por defecto.
Ejemplo - Leer las primeras 5 filas
import pandas as pd
df = pd.read_csv('nba.csv')
print(df.head())
df = pd.read_csv('nba.csv')
print(df.head())
El resultado de salida es:
Name Team Number Position Age Height Weight College Salary
0 Avery Bradley Boston Celtics 0.0 PG 25.0 6-2 180.0 Texas 7730337.0
1 Jae Crowder Boston Celtics 99.0 SF 25.0 6-6 235.0 Marquette 6796117.0
2 John Holland Boston Celtics 30.0 SG 27.0 6-5 205.0 Boston University NaN
3 R.J. Hunter Boston Celtics 28.0 SG 22.0 6-5 185.0 Georgia State 1148640.0
4 Jonas Jerebko Boston Celtics 8.0 PF 29.0 6-10 231.0 NaN 5000000.0
Ejemplo - Leer las primeras 10 filas
import pandas as pd
df = pd.read_csv('nba.csv')
print(df.head(10))
df = pd.read_csv('nba.csv')
print(df.head(10))
El resultado de salida es:
Name Team Number Position Age Height Weight College Salary
0 Avery Bradley Boston Celtics 0.0 PG 25.0 6-2 180.0 Texas 7730337.0
1 Jae Crowder Boston Celtics 99.0 SF 25.0 6-6 235.0 Marquette 6796117.0
2 John Holland Boston Celtics 30.0 SG 27.0 6-5 205.0 Boston University NaN
3 R.J. Hunter Boston Celtics 28.0 SG 22.0 6-5 185.0 Georgia State 1148640.0
4 Jonas Jerebko Boston Celtics 8.0 PF 29.0 6-10 231.0 NaN 5000000.0
5 Amir Johnson Boston Celtics 90.0 PF 29.0 6-9 240.0 NaN 12000000.0
6 Jordan Mickey Boston Celtics 55.0 PF 21.0 6-8 235.0 LSU 1170960.0
7 Kelly Olynyk Boston Celtics 41.0 C 25.0 7-0 238.0 Gonzaga 2165160.0
8 Terry Rozier Boston Celtics 12.0 PG 22.0 6-2 190.0 Louisville 1824360.0
9 Marcus Smart Boston Celtics 36.0 PG 22.0 6-4 220.0 Oklahoma State 3431040.0
tail()
tail( n )El método se utiliza para leer las últimas n filas; si no se proporciona el parámetro n, devuelve 5 filas por defecto; los valores de los campos en las filas vacías devuelvenNaN。
Ejemplo - Leer las últimas 5 filas
import pandas as pd
df = pd.read_csv('nba.csv')
print(df.tail())
df = pd.read_csv('nba.csv')
print(df.tail())
El resultado de salida es:
Name Team Number Position Age Height Weight College Salary 453 Shelvin Mack Utah Jazz 8.0 PG 26.0 6-3 203.0 Butler 2433333.0 454 Raul Neto Utah Jazz 25.0 PG 24.0 6-1 179.0 NaN 900000.0 455 Tibor Pleiss Utah Jazz 21.0 C 26.0 7-3 256.0 NaN 2900000.0 456 Jeff Withey Utah Jazz 24.0 C 26.0 7-0 231.0 Kansas 947276.0 457 NaN NaN NaN NaN NaN NaN NaN NaN NaN
Ejemplo - Leer las últimas 10 filas
import pandas as pd
df = pd.read_csv('nba.csv')
print(df.tail(10))
df = pd.read_csv('nba.csv')
print(df.tail(10))
El resultado de salida es:
Name Team Number Position Age Height Weight College Salary
448 Gordon Hayward Utah Jazz 20.0 SF 26.0 6-8 226.0 Butler 15409570.0
449 Rodney Hood Utah Jazz 5.0 SG 23.0 6-8 206.0 Duke 1348440.0
450 Joe Ingles Utah Jazz 2.0 SF 28.0 6-8 226.0 NaN 2050000.0
451 Chris Johnson Utah Jazz 23.0 SF 26.0 6-6 206.0 Dayton 981348.0
452 Trey Lyles Utah Jazz 41.0 PF 20.0 6-10 234.0 Kentucky 2239800.0
453 Shelvin Mack Utah Jazz 8.0 PG 26.0 6-3 203.0 Butler 2433333.0
454 Raul Neto Utah Jazz 25.0 PG 24.0 6-1 179.0 NaN 900000.0
455 Tibor Pleiss Utah Jazz 21.0 C 26.0 7-3 256.0 NaN 2900000.0
456 Jeff Withey Utah Jazz 24.0 C 26.0 7-0 231.0 Kansas 947276.0
457 NaN NaN NaN NaN NaN NaN NaN NaN NaN
info()
El método info() devuelve información básica sobre la tabla:
Ejemplo
import pandas as pd
df = pd.read_csv('nba.csv')
print(df.info())
df = pd.read_csv('nba.csv')
print(df.info())
El resultado de salida es:
<class 'pandas.core.frame.DataFrame'> RangeIndex: 458 entries, 0 to 457 # 行数，458 行，第一行编号为 0 Data columns (total 9 columns): # 列数，9列 # Column Non-Null Count Dtype # 各列的数据类型 --- ------ -------------- ----- 0 Name 457 non-null object 1 Team 457 non-null object 2 Number 457 non-null float64 3 Position 457 non-null object 4 Age 457 non-null float64 5 Height 457 non-null object 6 Weight 457 non-null float64 7 College 373 non-null object # non-null，意思为非空的数据 8 Salary 446 non-null float64 dtypes: float64(4), object(5) # 类型
non-null son datos no vacíos; podemos ver en la información anterior que hay un total de 458 filas, y el campo College tiene la mayor cantidad de valores vacíos.
Otras extensiones