Fichiers CSV Pandas
CSV (Comma-Separated Values, parfois aussi appelé character-separated values car le caractère séparateur ne doit pas nécessairement être une virgule) stocke des données tabulaires (nombres et texte) dans des fichiers en texte brut.
CSV est un format de fichier courant, relativement simple, largement utilisé par les utilisateurs, les entreprises et le monde scientifique.
Pandas peut gérer très facilement les fichiers CSV. Les méthodes courantes incluent :
| Nom de la méthode | Description | Paramètres courants |
|---|---|---|
pd.read_csv() | Lire des données à partir d’un fichier CSV et les charger en tant que DataFrame | filepath_or_buffer(chemin ou objet fichier),sep(séparateur),header(en-tête),names(noms de colonnes personnalisés),dtype(types de données),index_col(colonne d’index) |
DataFrame.to_csv() | Écrire un DataFrame dans un fichier CSV | path_or_buffer(chemin cible ou objet fichier),sep(séparateur),index(s'il faut écrire l'index),columns(colonnes spécifiées),header(s'il faut écrire les noms de colonnes),mode(mode d'écriture) |
Cet article utilisenba.csvcomme exemple. Vous pouveztélécharger nba.csvououvrir nba.csvpour voir.
pd.read_csv() - Lire les fichiers CSV
read_csv() est la méthode principale pour lire les données d'un fichier CSV, en chargeant les données dans 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)
Paramètres courants de read_csv :
| Paramètre | Description | Valeur par défaut |
|---|---|---|
filepath_or_buffer | Le chemin vers le fichier CSV ou un objet fichier (prend en charge URL, chemin de fichier, objet fichier, etc.) | Paramètre obligatoire |
sep | Définit le séparateur de champs. La valeur par défaut est une virgule (,), qui peut être remplacé par d'autres caractères, comme une tabulation (\t） | ',' |
header | Spécifiez le numéro de ligne à utiliser comme en-tête de colonne. La valeur par défaut est 0 (ce qui signifie la première ligne), ou définissez-le surNoneaucun en-tête | 0 |
names | Noms de colonnes personnalisés. Passez une liste de noms de colonnes. | None |
index_col | Le numéro ou le nom de la colonne utilisée comme index de lignes. | None |
usecols | Lisez les colonnes spécifiées. Il peut s'agir de noms de colonnes ou d'indices de colonnes. | None |
dtype | Forcez la conversion des colonnes vers les types de données spécifiés. | None |
skiprows | Ignorez un nombre spécifié de lignes au début du fichier, ou passez une liste de numéros de ligne. | None |
nrows | Lisez les N premières lignes de données. | None |
na_values | Spécifiez les valeurs qui doivent être traitées comme des valeurs manquantes (NaN). | None |
skipfooter | Ignorez un nombre spécifié de lignes à la fin du fichier. | 0 |
encoding | Le format d'encodage du fichier (tel queutf-8，latin1etc.) | None |
Lire les données du fichier nba.csv :
Exemple
df = .read_csv('nba.csv')
print(df.to_string())
to_string()Utilisé pour renvoyer des données de type DataFrame. Si cette fonction n'est pas utilisée, le résultat de sortie correspond aux 5 premières lignes et aux 5 dernières lignes du fichier, la partie intermédiaire étant remplacée par...à la place.
Exemple
df = .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() - Écrire un DataFrame dans un fichier CSV
to_csv() est une méthode pour écrire un DataFrame dans un fichier CSV. Elle prend en charge des paramètres tels que des délimiteurs personnalisés, les noms de colonnes et l'inclusion ou non de l'index.
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'])
Paramètres courants de to_csv :
| Paramètre | Description | Valeur par défaut |
|---|---|---|
path_or_buffer | Le chemin vers le fichier CSV ou un objet fichier (prend en charge les chemins de fichiers et les objets fichiers) | Paramètre obligatoire |
sep | Définit le séparateur de champs. La valeur par défaut est une virgule (,), qui peut être remplacé par d'autres caractères, comme une tabulation (\t） | ',' |
index | Indique s'il faut écrire l'index de ligne. La valeur par défaut estTruece qui signifie que l'index est écrit. | True |
columns | Spécifiez les colonnes à écrire. Peut être une liste de noms de colonnes. | None |
header | Indique s'il faut écrire les noms de colonnes. La valeur par défaut estTruesignifie que les noms de colonnes sont écrits. Défini àFalsesignifie que les noms de colonnes ne sont pas écrits. | True |
mode | Le mode d'écriture du fichier. La valeur par défaut estw(mode écriture), peut être défini àa(mode ajout) | 'w' |
encoding | Le format d'encodage du fichier, tel queutf-8，latin1wait | None |
line_terminator | Définit le terminateur de ligne. La valeur par défaut est\n | None |
quoting | Définit comment citer les données dans le fichier (0-3 ; voir la documentation pour les méthodes de citation spécifiques.) | None |
quotechar | Définit le caractère utilisé pour citer. La valeur par défaut est le guillemet double." | '"' |
date_format | Format de date personnalisé. Si une colonne contient des données de date, vous pouvez utiliser ce paramètre pour spécifier le format de date. | None |
doublequote | Si défini surTrue, puis lors de l'écriture, le texte contenant des guillemets sera entouré de guillemets doubles. | True |
Nous pouvons également utiliser la méthodeto_csv()pour stocker le DataFrame dans un fichier CSV :
Exemple
# Trois champs : name, site, age
nme = ["Google", "Example", "Taobao", "Wiki"]
st = ["www.google.com", "www.example.com", "www.taobao.com", "www.wikipedia.org"]
ag = [90, 40, 80, 98]
# Dictionnaire
dict = {'name': nme, 'site': st, 'age': ag}
df = pd.DataFrame(dict)
# Enregistrer le dataframe
df.to_csv('site.csv')
Après une exécution réussie, nous ouvrons le fichier site.csv et le résultat s'affiche comme suit :
Traitement des données
head()
head( n )Méthode utilisée pour lire les n premières lignes. Si le paramètre n n'est pas fourni, elle renvoie 5 lignes par défaut.
Exemple - Lire les 5 premières lignes
df = .read_csv('nba.csv')
print(df.head())
Le résultat de sortie est:
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
Exemple - Lire les 10 premières lignes
df = .read_csv('nba.csv')
print(df.head(10))
Le résultat de sortie est:
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 )Méthode utilisée pour lire les n dernières lignes. Si le paramètre n n'est pas fourni, elle renvoie 5 lignes par défaut. Pour les lignes vides, les valeurs de chaque champ renvoientNaN。
Exemple - Lire les 5 dernières lignes
df = .read_csv('nba.csv')
print(df.tail())
Le résultat de sortie est:
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
Exemple - Lire les 10 dernières lignes
df = .read_csv('nba.csv')
print(df.tail(10))
Le résultat de sortie est:
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()
La méthode info() renvoie quelques informations de base sur la table :
Exemple
df = .read_csv('nba.csv')
print(df.info())
Le résultat de sortie est:
<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 signifie des données non vides. Nous pouvons voir d'après les informations ci-dessus qu'il y a 458 lignes au total, et que le champ College possède le plus grand nombre de valeurs nulles.
Autres extensions