第275篇原创
2.3 通用解析框架
承接前文,test.csv读入后数据框如下:
In [6]: df = pd.read_csv('test.csv',sep='\s+') In [7]: df Out[7]: id id.1 age0 1 'gz' 101 2 'lh' 12
使用dtypes查看每一列的数据类型,如下:
In [8]: df.dtypes Out[8]: id int64id.1 objectage int64dtype: object
如果我想修改age列的数据类型为float,read_csv时可以使用dtype调整,如下:
In [9]: df = pd.read_csv('test.csv',sep='\s+',dtype={'age':float})
In [10]: df Out[10]: id id.1 age0 1 'gz' 10.01 2 'lh' 12.0
In [11]: df.dtypes Out[11]: id int64id.1 objectage float64dtype: object
这个参数有用之处可能体现在如下这个例子,就是我某列的数据:
label0102
如果不显示的指定此列的类型str, read_csv解析引擎会自动判断此列为整形,如下在原test.csv文件中增加上面一列,如果不指定dtype, 读入后label列自动解析为整型
In [48]: df = pd.read_csv('test.csv',sep='\s+')
In [49]: df Out[49]: id id.1 age label0 1 'gz' 10 11 2 'lh' 12 2
如果按照如下指定:
In [51]: df = pd.read_csv('test.csv',sep='\s+',dtype={'label':str})
In [52]: df Out[52]: id id.1 age label0 1 'gz' 10 011 2 'lh' 12 02
这样才能符合我们的预期
Pandas目前的解析引擎提供两种:c, python,默认为c, 因为c引擎解析速度更快,但是特性没有python引擎高,如果使用c引擎没有的特性时,会自动退化为python引擎。
converters参数是键为某列,值为函数的字典,它完成对列数据的变化操作,如下所示:
In [54]: df = pd.read_csv('test.csv',sep='\s+',converters={'age':lambda x:1+int( ...: x)})
In [55]: df Out[55]: id id.1 age label0 1 'gz' 11 11 2 'lh' 13 2
完成对age列的数据加1,注意int(x),此处解析器默认所有列的类型为str,所以需要显示类型转换。
true_values参数指定数据中哪些字符应该被清洗为True, 同理,false_values参数指定哪些字符被清洗为False. 如下所示,修改原数据文件label列的值为:
In [66]: df = pd.read_csv('test.csv',sep='\s+',true_values=['YES'])
In [67]: df Out[67]: id id.1 age label0 1 'gz' 10 YES1 2 'lh' 12 NO
现在,我想转化 YES 为 True, NO 为 False. 这样使用参数:
In [68]: df = pd.read_csv('test.csv',sep='\s+',true_values=['YES'],false_values= ...: ['NO'])
In [69]: df Out[69]: id id.1 age label0 1 'gz' 10 True1 2 'lh' 12 False
注意!这里有处Pandas的parses.py模块该优化的地方,只指定YES 转True ,转化会失败,如下:
In [66]: df = pd.read_csv('test.csv',sep='\s+',true_values=['YES'])
In [67]: df Out[67]: id id.1 age label0 1 'gz' 10 YES1 2 'lh' 12 NO
过滤行,数据文件如下:
In [15]: df = pd.read_csv('test.csv',sep='\s+',header=0)
In [16]: df Out[16]: id id.1 age label0 1 'gz' 10 YES1 2 'lh' 12 NO
想过滤掉index为0,1的行,使用skip_rows,如下:
In [17]: df = pd.read_csv('test.csv',sep='\s+',header=0,skiprows=[0,1])
In [18]: df Out[18]: Empty DataFrameColumns: [2, 'lh', 12, NO]Index: []
这与我们预想的不同,通过结果可以揣测skip_rows先发挥作用,此时默认没有header,过滤掉文件的前两行后,此时只剩下第三行,通过header为0,变为df的header. 数据域部分为空。
skiprows还可以被赋值为某种过滤规则的函数
从文件末尾过滤行,解析器退化为python. 这是因为c解析器没有这个特性。
In [23]: df = pd.read_csv('test.csv',sep='\s+',header=0,skipfooter=1) /home/zglg/anaconda3/bin/ipython:1: ParserWarning: Falling back to the 'python' engine because the 'c' engine does not support skipfooter; you can avoid this warning by specifying engine='python'. #!/home/zglg/anaconda3/bin/python
In [24]: df Out[24]: id id.1 age label0 1 'gz' 10 YES
nrows参数设置一次性读入的文件行数,它在读入大文件时很有用,比如16G内存的PC无法容纳几百G的大文件.
此参数可以结合skiprows使用,比如我想从原始文件的第2行(文件第一行为列名)开始一次读入500行,就可以这么写:
df = pd.read_csv('test.csv',sep='\s+',header=None,skiprows = 2, nrows=500 ...: )
这样每次读取一个文件片(chunk),直到处理完成整个文件。
解析框架的其他两个参数 low_memory, memory_map是布尔型变量,不再详细解释。
这个参数可以配置哪些值需要处理成Na/NaN, 类型为字典,键指明哪一列,值为看做Na/NaN的字符.
假设我们的数据文件如下,date列中有一个 #
值,我们想把它处理成NaN值。
In [39]: df = pd.read_csv('test.csv',sep='\s+',header=0)
In [40]: df Out[40]: id id.1 age label date0 1 'gz' 10 YES 1989-12-11 2 'lh' 12 NO #
可以使用,na_values实现:
In [41]: df = pd.read_csv('test.csv',sep='\s+',header=0,na_values=['#'])
In [42]: df Out[42]: id id.1 age label date0 1 'gz' 10 YES 1989-12-11 2 'lh' 12 NO NaN
keep_default_na 是和na_values搭配的,如果前者为True,则na_values被解析为Na/NaN的字符除了用户设置外,还包括默认值。
默认为True, 则过滤掉空行,如为False则解析为NaN. 如下:
In [53]: df = pd.read_csv('test.csv',sep='\s+',header=0,skip_blank_lines=False)
In [54]: df Out[54]: id id.1 age label date0 1.0 'gz' 10.0 YES 1989-12-11 NaN NaN NaN NaN NaN2 2.0 'lh' 12.0 NO #3 NaN NaN NaN NaN NaN
打印一些重要信息,如下
In [55]: df = pd.read_csv('test.csv',sep='\s+',header=0,verbose=True) Tokenization took: 0.02 msType conversion took: 0.88 msParser memory cleanup took: 0.01 ms
分别统计了分词、类型转化、解析器内存清理花费的时长。
read_csv的其他参数还包括如下: