python中csv文件的若干读写方法小结

2018-09-23 20:26

阅读:539

  如下所示:

   //用普通文本文件方式打开和操作 with open(file.csv) as cf: lines=cf.readlines() ...... //用普通文本方式打开,用csv模块操作 import csv with open(file.csv) as cf: lines=csv.reader(cf) for line in lines: print(line) ...... import csv headers=[id,username,password,age,country] rows=[(1001,qiye,qiye_pass,20,china),(1002,mary,mary_pass,23,usa)] f=open(csvfile.csv,a+) wf =csv.writer(f) wf.writerow(headers) wf.writerows(rows) f.close()

  csv模块相关方法和属性

  csv.writer(fileobj [, dialect=excel][optional keyword args])返回DictWriter类

  csv.reader(iterable [, dialect=excel][,optional keyword args])返回DictRead类

  csv.writer(csvfile.csv).writerow(rowdict)

  csv.DictWriter.writerow()

  csv.DictWriter.writeheader()

  csv.DictWriter.writerows()

  csv.writer(csvfile.csv).writerow(rowdicts)

  csv.reader(csvfile.csv).next()

  csv.DictReader.next()

  csv.field_size_limit()

  csv.get_dialect()

  csv.list_dialects()

  csv.reduce(funtion,sequence)

  csv.register_dialect()

  csv.re 类

  csv.DictWriter类

  csv.DictReader类

   //用pandas模块打开和操作 import pandas as pd csvpd=pd.read_excel(filepath) ...... csvpd.to_csv(filepath) #csvpd为pandas.DataFrame类

  第三方pandas模块的常用方法属性

  df:任意的Pandas DataFrame对象
s:任意的Pandas Series对象
同时我们需要做如下的引入:
import pandas as pd
import numpy as np

  导入数据

  pd.read_csv(filename):从CSV文件导入数据
pd.read_table(filename):从限定分隔符的文本文件导入数据
pd.read_excel(filename):从Excel文件导入数据
pd.read_sql(query, connection_object):从SQL表/库导入数据
pd.read_json(json_string):从JSON格式的字符串导入数据
pd.read_html(url):解析URL、字符串或者HTML文件,抽取其中的tables表格
pd.read_clipboard():从你的粘贴板获取内容,并传给read_table()
pd.DataFrame(dict):从字典对象导入数据,Key是列名,Value是数据

  导出数据

  df.to_csv(filename):导出数据到CSV文件
df.to_excel(filename):导出数据到Excel文件
df.to_sql(table_name, connection_object):导出数据到SQL表
df.to_json(filename):以Json格式导出数据到文本文件

  创建测试对象

  pd.DataFrame(np.random.rand(20,5)):创建20行5列的随机数组成的DataFrame对象
pd.Series(my_list):从可迭代对象my_list创建一个Series对象

  查看、检查数据

  df.head(n):查看DataFrame对象的前n行
df.tail(n):查看DataFrame对象的最后n行
df.shape():查看行数和列数
df.describe():查看数值型列的汇总统计
s.value_counts(dropna=False):查看Series对象的唯一值和计数
df.apply(pd.Series.value_counts):查看DataFrame对象中每一列的唯一值和计数

  数据选取

  df[col]:根据列名,并以Series的形式返回列
df[[col1, col2]]:以DataFrame形式返回多列
s.iloc[0]:按位置选取数据
s.loc[‘index_one]:按索引选取数据
df.iloc[0,:]:返回第一行
df.iloc[0,0]:返回第一列的第一个元素

  数据清理

  
pd.isnull():检查DataFrame对象中的空值,并返回一个Boolean数组
pd.notnull():检查DataFrame对象中的非空值,并返回一个Boolean数组
df.dropna():删除所有包含空值的行
df.dropna(axis=1):删除所有包含空值的列
df.dropna(axis=1,thresh=n):删除所有小于n个非空值的行
df.fillna(x):用x替换DataFrame对象中所有的空值
s.astype(float):将Series中的数据类型更改为float类型
s.replace(1,one):用‘one代替所有等于1的值
s.replace([1,3],[‘one,three]):用one代替1,用three代替3
df.rename(columns=lambda x: x + 1):批量更改列名
df.rename(columns={‘old_name: ‘new_ name}):选择性更改列名
df.set_index(‘column_one):更改索引列
df.rename(index=lambda x: x + 1):批量重命名索引

  数据处理:Filter 、Sort 和 GroupBy

  df[df[col] > 0.5]:选择col列的值大于0.5的行
df.sort_values(col1):按照列col1排序数据,默认升序排列
df.sort_values(col2, ascending=False):按照列col1降序排列数据
df.sort_values([col1,col2], ascending=[True,False]):先按列col1升序排列,后按col2降序排列数据
df.groupby(col):返回一个按列col进行分组的Groupby对象
df.groupby([col1,col2]):返回一个按多列进行分组的Groupby对象
df.groupby(col1)[col2]:返回按列col1进行分组后,列col2的均值
df.pivot_table(index=col1, values=[col2,col3], aggfunc=max):创建一个按列col1进行分组,并计算col2和col3的最大值的数据透视表
data.apply(np.mean):对DataFrame中的每一列应用函数np.mean
data.apply(np.max,axis=1):对DataFrame中的每一行应用函数np.max

  数据合并

  df1.append(df2):将df2中的行添加到df1的尾部
df.concat([df1, df2],axis=1):将df2中的列添加到df1的尾部
df1.join(df2,on=col1,how=inner):对df1的列和df2的列执行SQL形式的join

  数据统计

  df.describe():查看数据值列的汇总统计
df.mean():返回所有列的均值
df.corr():返回列与列之间的相关系数
df.count():返回每一列中的非空值的个数
df.max():返回每一列的最大值
df.min():返回每一列的最小值
df.median():返回每一列的中位数
df.std():返回每一列的标准差

  以上这篇python中csv文件的若干读写方法小结就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持脚本之家。


评论


亲,登录后才可以留言!