数据存储 - csv格式文件处理 - 《Python 基础知识》

自带模块 csv
第三方模块 pandas

test.csv
参考文档 https://docs.python.org/3.6/library/csv.html

自带模块 csv

方式1

import csv
with open("test.csv") as f:
    reader = csv.reader(f)
    rows=[row for row in  reader]  # 返回  表格中一行的数据 以 逗号隔开
    print(rows[0])
--------------------
['姓名', '年龄', '职业', '家庭地址', '工资']

方式2: 遍历每行数据(行)

with open("test.csv") as f:
    reader = csv.reader(f)
    rows=[row for row in  reader]  # 返回  表格中一行的数据 以 逗号隔开
    for item in rows:
        print(item)
----------------------
['姓名', '年龄', '职业', '家庭地址', '工资']
['张三', '36', '厨师', '四川', '5562']
['李四', '45', '摄影师', '上海', '300']
['老王', '14', '学生', '北京', '100']
['陈十八', '20', '程序员', '广东', '0']

方式3: 读取第一行数据(行)

import csv
with open("test.csv") as f:
    #1.创建阅读器对象
    reader = csv.reader(f)
    #2.读取文件第一行数据
    head_row=next(reader)
    print(head_row)
-----------------------
['姓名', '年龄', '职业', '家庭地址', '工资']

方式4: 读取文件某一列

row[0] 是表示列, 列也是数组从零开始
row 直接这样的就是整行

import csv
with open("test.csv") as f:
    reader = csv.reader(f)
    column=[row[0] for row in  reader]
    print(column)
----------------------
['姓名', '张三', '李四', '老王', '陈十八']

方式5: 写入数据


# a  表示   在表格中 A 列 表格  从 a 列开始写入
import csv
with open("test.csv",'a') as f:
     row=['曹操','23','学生','黑龙江','5000']
     write=csv.writer(f)
     write.writerow(row)
     print("写入完毕！")

方式6: 获取文件头及索引

import csv
with open("test.csv") as f:
    #1.创建阅读器对象
    reader = csv.reader(f)
    #2.读取文件第一行数据
    head_row=next(reader)
    print(head_row)
    #3.获取文件头及其索引
    for index,column_header in enumerate(head_row):
        print(index,column_header)
-----------------------
['姓名', '年龄', '职业', '家庭地址', '工资']
0 姓名
1 年龄
2 职业
3 家庭地址
4 工资

方式7: 获取某列的最大值

import csv
with open("test.csv") as f:
    reader = csv.reader(f)
    header_row=next(reader) # 整行表头的数据
    print(header_row)
    salary=[]
    for row in reader:
        # 把第五列数据保存到列表salary中
        # salary.append(row[4])
        salary.append(row[4])
    print(salary)
    print("员工最高工资为："+str(max(salary)))
--------------------------
['姓名', '年龄', '职业', '家庭地址', '工资']
['5562', '300', '100', '0', '5000']
员工最高工资为：5562

方式7: 复制csv 文件

注意这里需要填写 newline = “” 的语句, 否则在复制文件到新文件的时候隔行就会有空行

import csv
f = open('test.csv')
# 1.newline=''消除空格行
aim_file = open('new_test.csv', 'w', newline='') # 复制到这个新文件名中
write = csv.writer(aim_file)
reader = csv.reader(f)
rows = [row for row in reader]
# 2.遍历rows列表
for row in rows:
    # 3.把每一行写到new_test.csv中
    write.writerow(row)

第三方模块 pandas

pip install pabdas

方法属性 .to_csv()

path_or_buf:

字符串或文件句柄，默认无文件
路径或对象，如果没有提供，结果将返回为字符串。

sep :

Field delimiter for the output file.
默认字符 ‘ ，’
输出文件的字段分隔符。

na_rep :

Missing data representation
字符串，默认为 ‘’
浮点数格式字符串

float_format :

字符串，默认为 None
浮点数格式字符串

columns :

顺序，可选列写入

header :

字符串或布尔列表，默认为true
写出列名。如果给定字符串列表，则假定为列名的别名。

index :

布尔值，默认为Ture
写入行名称（索引）

index_label :

字符串或序列，或False,默认为None
如果需要，可以使用索引列的列标签。如果没有给出，且标题和索引为True，则使用索引名称。如果数据文件使用多索引，则应该使用这个序列。如果值为False，不打印索引字段。在R中使用index_label=False 更容易导入索引.

mode :

模式：值为‘str’，字符串
Python写模式，默认“w”

encoding :

编码：字符串，可选
表示在输出文件中使用的编码的字符串，Python 2上默认为“ASCII”和Python 3上默认为“UTF-8”。

compression :

字符串，可选项
表示在输出文件中使用的压缩的字符串，允许值为“gzip”、“bz2”、“xz”，仅在第一个参数是文件名时使用。

line_terminator :

字符串，默认为 ‘\n’
在输出文件中使用的换行字符或字符序列

quoting :

CSV模块的可选常量
默认值为to_csv.QUOTE_MINIMAL。如果设置了浮点格式，那么浮点将转换为字符串，因此csv.QUOTE_NONNUMERIC会将它们视为非数值的。

quotechar :

字符串（长度1），默认“”
用于引用字段的字符

doublequote :

布尔，默认为Ture
控制一个字段内的quotechar

escapechar :

字符串（长度为1），默认为None
在适当的时候用来转义sep和quotechar的字符

chunksize :

int或None
一次写入行

tupleize_cols :

布尔值，默认为False
从版本0.21.0中删除：此参数将被删除，并且总是将多索引的每行写入CSV文件中的单独行
（如果值为false）将多索引列作为元组列表（如果TRUE）或以新的、扩展的格式写入，其中每个多索引列是CSV中的一行。

date_format :

字符串，默认为None
字符串对象转换为日期时间对象

decimal:

字符串，默认’。’
字符识别为小数点分隔符。例如。欧洲数据使用 ’，’
[

](https://blog.csdn.net/u010801439/article/details/80033341)

方法属性 .read_csv()

ilepath_or_buffer : str，pathlib。str, pathlib.Path, py._path.local.LocalPath or any object with a read() method (such as a file handle or StringIO)
可以是URL，可用URL类型包括：http, ftp, s3和文件。对于多文件正在准备中
本地文件读取实例：://localhost/path/to/table.csv

sep :

str, default ‘,’
指定分隔符。如果不指定参数，则会尝试使用逗号分隔。分隔符长于一个字符并且不是‘\s+’,将使用python的语法分析器。并且忽略数据中的逗号。正则表达式例子：’\r\t’

delimiter :

str, default None
定界符，备选分隔符（如果指定该参数，则sep参数失效）

delim_whitespace :

boolean, default False.
指定空格(例如’ ‘或者’ ‘)是否作为分隔符使用，等效于设定sep=’\s+’。如果这个参数设定为Ture那么delimiter 参数失效。
在新版本0.18.1支持

header :

int or list of ints, default ‘infer’
指定行数用来作为列名，数据开始行数。如果文件中没有列名，则默认为0，否则设置为None。如果明确设定header=0 就会替换掉原来存在列名。header参数可以是一个list例如：[0,1,3]，这个list表示将文件中的这些行作为列标题（意味着每一列有多个标题），介于中间的行将被忽略掉（例如本例中的2；本例中的数据1,2,4行将被作为多级标题出现，第3行数据将被丢弃，dataframe的数据从第5行开始。）。
注意：如果skip_blank_lines=True 那么header参数忽略注释行和空行，所以header=0表示第一行数据而不是文件的第一行。

names :

array-like, default None
用于结果的列名列表，如果数据文件中没有列标题行，就需要执行header=None。默认列表中不能出现重复，除非设定参数mangle_dupe_cols=True。

index_col :

int or sequence or False, default None
用作行索引的列编号或者列名，如果给定一个序列则有多个行索引。
如果文件不规则，行尾有分隔符，则可以设定index_col=False 保证pandas用第一列作为行索引。

usecols :

array-like, default None
返回一个数据子集，该列表中的值必须可以对应到文件中的位置（数字可以对应到指定的列）或者是字符传为文件中的列名。例如：usecols有效参数可能是 [0,1,2]或者是 [‘foo’, ‘bar’, ‘baz’]。使用这个参数可以加快加载速度并降低内存消耗。

as_recarray :

boolean, default False
不赞成使用：该参数会在未来版本移除。请使用pd.read_csv(…).to_records()替代。
返回一个Numpy的recarray来替代DataFrame。如果该参数设定为True。将会优先squeeze参数使用。并且行索引将不再可用，索引列也将被忽略。

squeeze :

boolean, default False
如果文件值包含一列，则返回一个Series

prefix :

str, default None
在没有列标题时，给列添加前缀。例如：添加‘X’ 成为 X0, X1, …

mangle_dupe_cols :

boolean, default True
重复的列，将‘X’…’X’表示为‘X.0’…’X.N’。如果设定为false则会将所有重名列覆盖。

dtype :

Type name or dict of column -> type, default None
每列数据的数据类型。例如 {‘a’: np.float64, ‘b’: np.int32}

engine :

{‘c’, ‘python’}, optional
Parser engine to use. The C engine is faster while the python engine is currently more feature-complete.
使用的分析引擎。可以选择C或者是python。C引擎快但是Python引擎功能更加完备。

converters :

dict, default None
列转换函数的字典。key可以是列名或者列的序号。

true_values :

list, default None
Values to consider as True

false_values :

list, default None
Values to consider as False

skipinitialspace :

boolean, default False
忽略分隔符后的空白（默认为False，即不忽略）.

skiprows :

list-like or integer, default None
需要忽略的行数（从文件开始处算起），或需要跳过的行号列表（从0开始）。

skipfooter :

int, default 0
从文件尾部开始忽略。 (c引擎不支持)

skip_footer :

int, default 0
不推荐使用：建议使用skipfooter ，功能一样。

nrows :

int, default None
需要读取的行数（从文件头开始算起）。

na_values :

scalar, str, list-like, or dict, default None
一组用于替换NA/NaN的值。如果传参，需要制定特定列的空值。默认为‘1.#IND’, ‘1.#QNAN’, ‘N/A’, ‘NA’, ‘NULL’, ‘NaN’, ‘nan’`.

keep_default_na :

bool, default True
如果指定na_values参数，并且keep_default_na=False，那么默认的NaN将被覆盖，否则添加。

na_filter :

boolean, default True
是否检查丢失值（空字符串或者是空值）。对于大文件来说数据集中没有空值，设定na_filter=False可以提升读取速度。

verbose :

boolean, default False
是否打印各种解析器的输出信息，例如：“非数值列中缺失值的数量”等。

skip_blank_lines :

boolean, default True
如果为True，则跳过空行；否则记为NaN。
[

](https://blog.csdn.net/u010801439/article/details/80033341)

parse_dates :
boolean或int类型的列表，或名称、列表的列表或dict，默认为False

boolean. True -> 解析索引
list of ints or names. e.g. If [1, 2, 3] -> 解析1,2,3列的值作为独立的日期列；
list of lists. e.g. If [[1, 3]] -> 合并1,3列作为一个日期列使用
dict, e.g. {‘foo’ : [1, 3]} -> 将1,3列合并，并给合并后的列起名为"foo"

infer_datetime_format :

boolean, default False
如果设定为True并且parse_dates 可用，那么pandas将尝试转换为日期类型，如果可以转换，转换方法并解析。在某些情况下会快5~10倍。

keep_date_col :

boolean, default False
如果连接多列解析日期，则保持参与连接的列。默认为False。

date_parser :

function, default None
用于解析日期的函数，默认使用dateutil.parser.parser来做转换。Pandas尝试使用三种不同的方式解析，如果遇到问题则使用下一种方式。
1.使用一个或者多个arrays（由parse_dates指定）作为参数；
2.连接指定多列字符串作为一个列作为参数；
3.每行调用一次date_parser函数来解析一个或者多个字符串（由parse_dates指定）作为参数。

dayfirst :

boolean, default False
DD/MM格式的日期类型

iterator :

boolean, default False
返回一个TextFileReader 对象，以便逐块处理文件。

chunksize :

int, default None
文件块的大小， See IO Tools docs for more informationon iterator and chunksize.

compression :

{‘infer’, ‘gzip’, ‘bz2’, ‘zip’, ‘xz’, None}, default ‘infer’
直接使用磁盘上的压缩文件。如果使用infer参数，则使用 gzip, bz2, zip或者解压文件名中以‘.gz’, ‘.bz2’, ‘.zip’, or ‘xz’这些为后缀的文件，否则不解压。如果使用zip，那么ZIP包中国必须只包含一个文件。设置为None则不解压。
新版本0.18.1版本支持zip和xz解压

thousands :

str, default None
千分位分割符，如“，”或者“.”

decimal :

str, default ‘.’
字符中的小数点 (例如：欧洲数据使用’，‘).

float_precision :

string, default None
指定C引擎应该使用哪个转换器来转换浮点值。普通转换器为None，高精度转换器为high，往返转换器为round_trip。

lineterminator :

str (length 1), default None
行分割符，只在C解析器下使用。

quotechar :

str (length 1), optional
引号，用作标识开始和解释的字符，引号内的分割符将被忽略。

quoting :

int or csv.QUOTE_* instance, default 0
控制csv中的引号常量。可选 QUOTE_MINIMAL (0), QUOTE_ALL (1), QUOTE_NONNUMERIC (2) or QUOTE_NONE (3)

doublequote :

boolean, default True
双引号，当单引号已经被定义，并且quoting 参数不是QUOTE_NONE的时候，使用双引号表示引号内的元素作为一个元素使用。

escapechar :

str (length 1), default None
当quoting 为QUOTE_NONE时，指定一个字符使的不受分隔符限值。

comment :

str, default None
标识着多余的行不被解析。如果该字符出现在行首，这一行将被全部忽略。这个参数只能是一个字符，空行（就像skip_blank_lines=True）注释行被header和skiprows忽略一样。例如如果指定comment=’#’ 解析‘#empty\na,b,c\n1,2,3’ 以header=0 那么返回结果将是以’a,b,c’作为header。

encoding :

str, default None
指定字符集类型，通常指定为’utf-8’. List of Python standard encodings

dialect :

str or csv.Dialect instance, default None
如果没有指定特定的语言，如果sep大于一个字符则忽略。具体查看csv.Dialect 文档

tupleize_cols :

boolean, default False
Leave a list of tuples on columns as is (default is to convert to a Multi Index on the columns)

error_bad_lines :

boolean, default True
如果一行包含太多的列，那么默认不会返回DataFrame ，如果设置成false，那么会将改行剔除（只能在C解析器下使用）。

warn_bad_lines :

boolean, default True
如果error_bad_lines =False，并且warn_bad_lines =True 那么所有的“bad lines”将会被输出（只能在C解析器下使用）。

low_memory :

boolean, default True
分块加载到内存，再低内存消耗中解析。但是可能出现类型混淆。确保类型不被混淆需要设置为False。或者使用dtype 参数指定类型。注意使用chunksize 或者iterator 参数分块读入会将整个文件读入到一个Dataframe，而忽略类型（只能在C解析器中有效）

buffer_lines :

int, default None
不推荐使用，这个参数将会在未来版本移除，因为他的值在解析器中不推荐使用

compact_ints :

boolean, default False
不推荐使用，这个参数将会在未来版本移除
如果设置compact_ints=True ，那么任何有整数类型构成的列将被按照最小的整数类型存储，是否有符号将取决于use_unsigned 参数

use_unsigned :

boolean, default False
不推荐使用：这个参数将会在未来版本移除
如果整数列被压缩(i.e. compact_ints=True)，指定被压缩的列是有符号还是无符号的。
memory_map : boolean, default False
如果使用的文件在内存内，那么直接map文件使用。使用这种方式可以避免文件再次进行IO操作。
[

](https://blog.csdn.net/u010801439/article/details/80033341)

读取数据 .read_csv()

注意表头没有索引, 以 3个制表符隔开

import pandas as pd
with open('test.csv') as file:
    data = pd.read_csv(file)
    print(data)
 ------------------------
    姓名  年龄   职业 家庭地址    工资
0   张三  36   厨师   四川  5562
1   李四  45  摄影师   上海   300
2   老王  14   学生   北京   100
3  陈十八  20  程序员   广东     0
4   曹操  23   学生  黑龙江  5000

数据统计 .describe()

import pandas as pd
with open('test.csv') as file:
    data=pd.read_csv(file)
    print(data.describe())
-------------------------
             年龄           工资
count   5.00000     5.000000
mean   27.60000  2192.400000
std    12.62141  2828.548886
min    14.00000     0.000000
25%    20.00000   100.000000
50%    23.00000   300.000000
75%    36.00000  5000.000000
max    45.00000  5562.000000

读取前几行数据 .head()

import pandas as pd
with open('test.csv') as file:
    data=pd.read_csv(file)
    #读取前2行数据
    # head_datas = data.head(0) # Index: []
    head_datas=data.head(2)
    print(head_datas)
------------------------
   姓名  年龄   职业 家庭地址    工资
0  张三  36   厨师   四川  5562
1  李四  45  摄影师   上海   300

强大的 .loc() 方法

1.读取第一行的所有数据

个人表示第14行打印的代码这行肯定是有空行的数据

import pandas as pd
with open('test.csv') as file:
    data=pd.read_csv(file)
    #读取第一行所有数据
    print(data.loc[0,])
 -----------------------
姓名        张三
年龄        36
职业        厨师
家庭地址      四川
工资      5562
Name: 0, dtype: object

2.读取指定行数据(可多个)

import pandas as pd
with open('test.csv') as file:
    data=pd.read_csv(file)
    #读取第一行、第二行、第四行的所有数据
    print(data.loc[[0,1,3],:])
------------------------
    姓名  年龄   职业 家庭地址    工资
0   张三  36   厨师   四川  5562
1   李四  45  摄影师   上海   300
3  陈十八  20  程序员   广东     0

3.读取所有行和列的数据

功能跟 read_csv() 一样直接返回全部数据

import pandas as pd
# path= 'D:\\test.csv'
with open('test.csv') as file:
    data=pd.read_csv(file)
    #读取所有行和列数据
    print(data.loc[:,:])
------------------------
    姓名  年龄   职业 家庭地址    工资
0   张三  36   厨师   四川  5562
1   李四  45  摄影师   上海   300
2   老王  14   学生   北京   100
3  陈十八  20  程序员   广东     0
4   曹操  23   学生  黑龙江  5000

4.读取一列的所有行数据

import pandas as pd
with open('test.csv') as file:
    data=pd.read_csv(file)
    #读取所有行和列数据
    #print(data.loc[:,4])
    print(data.loc[:,'工资'])
 ---------------
0    5562
1     300
2     100
3       0
4    5000

5.读取某几列的某几行

import pandas as pd
with open('test.csv') as file:
    data=pd.read_csv(file)
    print(data.loc[[0,1,3],['姓名','职业','工资']])
-------------------
    姓名   职业    工资
0   张三   厨师  5562
1   李四  摄影师   300
3  陈十八  程序员     0

6.读取某一行和某一列对应的数据(报错)

测试的时候报错

import pandas as pd
with open('test.csv') as file:
    data=pd.read_csv(file)
    #读取第三行的第三列
    print("职业---", data.loc[2,2])

导入导出(复制CSV文件)

读取本地数据 .read_csv()

import pandas as pd
#1.读入数据
data=pd.read_csv(file)

写出复制本地数据 .to_csv()

import pandas as pd
#1.写出数据，目标文件是Aim.csv
data.to_csv('Aim.csv')
import pandas as pd
file=open('test.csv')
data=pd.read_csv(file)  #1.读取file中的数据
data.to_csv('new_test.csv')  #2.把data写到目标文件new_test.csv中
print(data)

读取网络数据

import pandas as pd 
data_url = "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv"
#填写url读取
df = pd.read_csv(data_url)

读取 excel数据 .read_excel()

import pandas as pd 
data = pd.read_excel(filepath)

删除 drop()

方式1: 单行单列

import pandas as pd 
with open("test.csv") as f:
    data = pd.read_csv(f)
    new_data = data.drop("职业", axis=1) # 删除 单列
    new_data=new_data.drop(2) # 删除 单行
    new_data.to_csv("del_test.csv",index=None, header=None, encoding = "utf_8_sig")

方式2: 多行多列

import pandas as pd 
with open("test.csv") as f:
    data = pd.read_csv(f)
    new_data = data.drop(["家庭地址","职业"], axis=1) # 删除 多列
    new_data=new_data.drop([2,4]) # 删除 多行
    new_data.to_csv("del_test.csv",index=None, header=None, encoding = "utf_8_sig")

方式3: 升级(点语法)单多行列

import pandas as pd 
with open("test.csv") as f:
    data = pd.read_csv(f)
    new_data = data.drop("职业", axis=1).drop(2) 
    new_data = new_data.drop(["家庭地址","职业"], axis=1).drop([2,4]) 
    new_data.to_csv("del_test.csv",index=None, header=None, encoding = "utf_8_sig")

移动列

import pandas as pd 
with open("test.csv") as f:
    data = pd.read_csv(f)
    pd_temp = data.pop('职业') # 要移动的列
    data.insert(3, '职业', pd_temp) # 插入到 第3列 , 实际就是第4列
    data.to_csv("del_test.csv",index=None, encoding = "utf_8_sig")

合并列


import pandas as pd 
with open("test.csv") as f:
    data = pd.read_csv(f)
    data['家庭职业'] = list(data['家庭地址'].map(str) + " " + data['职业'].map(str))
    print(data['家庭职业'])
    data.to_csv("del_test.csv",index=None, encoding = "utf_8_sig")

合并之后, 原先的家庭地址列和职业列还存在, 需要删除

del data['家庭地址']
del data['职业']

所以最后完整的代码是


import pandas as pd 
with open("test.csv") as f:
    data = pd.read_csv(f)
    data['家庭职业'] = list(data['家庭地址'].map(str) + " " + data['职业'].map(str))
    del data['家庭地址']
    del data['职业']
    data.to_csv("del_test.csv",index=None, encoding = "utf_8_sig")

增加数据

知识点
ignore_index 告诉pandas直接给我加，不要管索引，否则会报错
然后数据就会被添加到最后一行

# 这里必须开启ignore_index告诉pandas直接给我加，不要管索引，否则会报错
import pandas as pd 
with open("test.csv") as f:
    data = pd.read_csv(f)
    # data['家庭职业'] = list(data['家庭地址'].map(str) + " " + data['职业'].map(str))
    # print(data[:1])
    tempdata= pd.Series({'姓名':"李白", '年龄':40, '职业': "医生", "家庭地址": "延吉", "工资": 6000})
    data= data.append(tempdata,ignore_index=True)
    # print(data)
    data.to_csv("del_test.csv",index=None, encoding = "utf_8_sig")
-------------------------------
    姓名  年龄   职业 家庭地址    工资
0   张三  36   厨师   四川  5562
1   李四  45  摄影师   上海   300
2   老王  14   学生   北京   100
3  陈十八  20  程序员   广东     0
4   曹操  23   学生  黑龙江  5000
5   李白  40   医生   延吉  6000

插入数据到指定行(分片)

这里可以先把数据拆分为两部分，一部分为前1，一部分为后面的
最终结果会把数据插入到第一条数据的后面

import pandas as pd 
with open("test.csv") as f:
    data = pd.read_csv(f)
    temp1 = data[:1]
    temp2 = data[1:]
    temp1 = temp1.append(pd.Series({'姓名':"李白", '年龄':40, '职业': "医生", "家庭地址": "延吉", "工资": 6000}),ignore_index=True)
    data = temp1.append(temp2,ignore_index=True)
    data.to_csv("del_test.csv",index=None, encoding = "utf_8_sig")

也可以用来把数据插入到最前面

import pandas as pd 
with open("test.csv") as f:
    data = pd.read_csv(f)
    temp1 = data[:0]
    temp2 = data[0:]
    temp1 = temp1.append(pd.Series({'姓名':"李白", '年龄':40, '职业': "医生", "家庭地址": "延吉", "工资": 6000}),ignore_index=True)
    data = temp1.append(temp2,ignore_index=True)
    data.to_csv("del_test.csv",index=None, encoding = "utf_8_sig")