python中csv文件的若干读写方法小结

　　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。