前言
前面我们介绍了 pandas 的基础语法操作，下面我们开始介绍 pandas 的数据读写操作。
pandas 的 IO API 是一组顶层的 reader 函数，比如 pandas.read_csv()，会返回一个 pandas 对象。
而相应的 writer 函数是对象方法，如 DataFrame.to_csv()。
下面列出了所有的 reader 和 writer 函数
注意：后面会用到 StringIO，请确保导入
# python3
from io import StringIO
# python2
from StringIO import StringIO
1 CSV 和文本文件
读取文本文件的主要函数是 read_csv()
1 参数解析
read_csv() 接受以下常用参数:
1.1 基础
filepath_or_buffer: 变量
- 可以是文件路径、文件
URL或任何带有read()函数的对象
sep: str，默认 ,，对于 read_table 是 \t
- 文件分隔符，如果设置为
None，则C引擎无法自动检测分隔符，而Python引擎可以通过内置的嗅探器工具自动检测分隔符。 - 此外，如果设置的字符长度大于
1，且不是'\s+'，那么该字符串会被解析为正则表达式，且强制使用Python解析引擎。 - 例如
'\\r\\t'，但是正则表达式容易忽略文本中的引用数据。
delimiter: str, 默认为 None
-
sep的替代参数，功能一致
1.2 列、索引、名称
header: int 或 list, 默认为 'infer'
- 用作列名的行号，默认行为是对列名进行推断：
- 如果未指定
names参数其行为类似于header=0，即从读取的第一行开始推断。 - 如果设置了
names，则行为与header=None相同。
- 如果未指定
- 也可以为
header设置列表，表示多级列名。如[0,1,3]，未指定的行（这里是2）将会被跳过，如果skip_blank_lines=True，则会跳过空行和注释的行。因此header=0并不是代表文件的第一行
names: array-like, 默认为 None
- 需要设置的列名列表，如果文件中不包含标题行，则应显式传递
header=None，且此列表中不允许有重复值。
index_col: int, str, sequence of int/str, False, 默认为 None
用作
DataFrame的索引的列，可以字符串名称或列索引的形式给出。如果指定了列表，则使用MultiIndex注意：
index_col=False可用于强制pandas不要将第一列用作索引。例如，当您的文件是每行末尾都带有一个分隔符的错误文件时。
usecols: 列表或函数, 默认为 None
只读取指定的列。如果是列表，则所有元素都必须是位置（即文件列中的整数索引）或字符串，这些字符串必须与
names参数提供的或从文档标题行推断出的列名相对应。列表中的顺序会被忽略，即
usecols=[0, 1]等价于[1, 0]如果是可调用函数，将会根据列名计算，返回可调用函数计算为
True的名称
In [1]: import pandas as pd
In [2]: from io import StringIO
In [3]: data = "col1,col2,col3\na,b,1\na,b,2\nc,d,3"
In [4]: pd.read_csv(StringIO(data))
Out[4]:
col1 col2 col3
0 a b 1
1 a b 2
2 c d 3
In [5]: pd.read_csv(StringIO(data), usecols=lambda x: x.upper() in ["COL1", "COL3"])
Out[5]:
col1 col3
0 a 1
1 a 2
2 c 3
使用此参数可以大大加快解析时间并降低内存使用
squeeze: boolean, 默认为 False
- 如果解析的数据只包含一列，那么返回一个
Series
prefix: str, 默认为 None
- 当没有标题时，添加到自动生成的列号的前缀，例如
'X'表示X0,X1...
mangle_dupe_cols: boolean, 默认为 True
- 重复的列将被指定为
'X','X.1'…'X.N'，而不是'X'... 。如果在列中有重复的名称，传递False将导致数据被覆盖
1.3 常规解析配置
dtype: 类型名或类型字典（column -> type）, 默认为 None
- 数据或列的数据类型。例如。
{'a'：np.float64，'b'：np.int32}
engine: {'c', 'python'}
- 要使用的解析器引擎。
C引擎更快，而Python引擎目前功能更完整
converters: dict, 默认为 None
- 用于在某些列中对值进行转换的函数字典。键可以是整数，也可以是列名
true_values: list, 默认为 None
- 数据值解析为
True
false_values: list, 默认为 None
- 数据值解析为
False
skipinitialspace: boolean, 默认为 False
- 跳过分隔符之后的空格
skiprows: 整数或整数列表, 默认为 None
在文件开头要跳过的行号（索引为
0）或要跳过的行数如果可调用函数，则对索引应用函数，如果返回
True，则应跳过该行，否则返回False
In [6]: data = "col1,col2,col3\na,b,1\na,b,2\nc,d,3"
In [7]: pd.read_csv(StringIO(data))
Out[7]:
col1 col2 col3
0 a b 1
1 a b 2
2 c d 3
In [8]: pd.read_csv(StringIO(data), skiprows=lambda x: x % 2 != 0)
Out[8]:
col1 col2 col3
0 a b 2
skipfooter: int, 默认为 0
- 需要跳过文件末尾的行数（不支持
C引擎）
nrows: int, 默认为 None
- 要读取的文件行数，对于读取大文件很有用
memory_map: boolean, 默认为 False
- 如果为
filepath_or_buffer参数指定了文件路径，则将文件对象直接映射到内存中，然后直接从那里访问数据。使用此选项可以提高性能，因为不再有任何I/O开销
1.4 NA 和缺失数据处理
na_values: scalar, str, list-like, dict, 默认为 None
- 需要转换为
NA值的字符串
keep_default_na: boolean, 默认为 True
-
解析数据时是否包含默认的
NaN值。根据是否传入na_values，其行为如下keep_default_na=True, 且指定了na_values,na_values将会与默认的NaN一起被解析keep_default_na=True, 且未指定na_values, 只解析默认的NaNkeep_default_na=False, 且指定了na_values, 只解析na_values指定的NaNkeep_default_na=False, 且未指定na_values, 字符串不会被解析为NaN
注意：如果
na_filter=False，那么keep_default_na和na_values参数将被忽略
na_filter: boolean, 默认为 True
- 检测缺失值标记（空字符串和
na_values的值）。在没有任何NA的数据中，设置na_filter=False可以提高读取大文件的性能
skip_blank_lines: boolean, 默认为 True
- 如果为
True，则跳过空行，而不是解释为NaN值
1.5 日期时间处理
parse_dates: 布尔值、列表或嵌套列表、字典, 默认为 False.
如果为
True-> 尝试解析索引如果为
[1, 2, 3]-> 尝试将1, 2, 3列解析为分隔的日期如果为
[[1, 3]]-> 将1, 3列解析为单个日期列如果为
{'foo': [1, 3]}-> 将1, 3列作为日期并设置列名为foo
infer_datetime_format: 布尔值, 默认为 False
- 如果设置为
True且设置了parse_dates，则尝试推断datetime格式以加快处理速度
date_parser: 函数, 默认为 None
- 用于将字符串序列转换为日期时间实例数组的函数。默认使用
dateutil.parser.parser进行转换，pandas将尝试以三种不同的方式调用date_parser- 传递一个或多个数组（
parse_dates定义的列）作为参数; - 将
parse_dates定义的列中的字符串值连接到单个数组中，并将其传递; - 使用一个或多个字符串(对应于
parse_dates定义的列)作为参数，对每一行调用date_parser一次。
- 传递一个或多个数组（
dayfirst: 布尔值, 默认为 False
-
DD/MM格式的日期
cache_dates: 布尔值, 默认为 True
- 如果为
True，则使用唯一的、经过转换的日期缓存来应用datetime转换。 - 在解析重复的日期字符串，特别是带有时区偏移量的日期字符串时，可能会显著提高速度。
1.6 迭代
iterator: boolean, 默认为 False
- 返回
TextFileReader对象以进行迭代或使用get_chunk()来获取块
1.7 引用、压缩和文件格式
compression: {'infer', 'gzip', 'bz2', 'zip', 'xz', None, dict}, 默认为 'infer'
用于对磁盘数据进行即时解压缩。如果为
"infer"，则如果filepath_or_buffer是文件路径且以".gz"，".bz2"，".zip"或".xz"结尾，则分别使用gzip，bz2，zip或xz解压，否则不进行解压缩。如果使用
"zip"，则ZIP文件必须仅包含一个要读取的数据文件。设置为None表示不解压也可以使用字典的方式，键为
method的值从{'zip', 'gzip', 'bz2'}中选择。例如
compression={'method': 'gzip', 'compresslevel': 1, 'mtime': 1}
thousandsstr, 默认为 None
- 数值在千位的分隔符
decimal: str, 默认为 '.'
- 小数点
float_precision: string, 默认为 None
- 指定
C引擎应该使用哪个转换器来处理浮点值。普通转换器的选项为None，高精度转换器的选项为high，双向转换器的选项为round_trip。
quotechar: str (长度为 1)
- 用于表示被引用数据的开始和结束的字符。带引号的数据里的分隔符将被忽略
comment: str, 默认为 None
- 用于跳过该字符开头的行，例如，如果
comment='#'，将会跳过#开头的行
encoding: str, 默认为 None
- 设置编码格式
1.8 错误处理
error_bad_linesboolean, 默认为 True
- 默认情况下，字段太多的行（例如，带有太多逗号的
csv文件）会引发异常，并且不会返回任何DataFrame。 - 如果设置为
False，则这些坏行将会被删除
warn_bad_linesboolean, 默认为 True
- 如果
error_bad_lines=False且warn_bad_lines=True，每个坏行都会输出一个警告
2. 指定数据列的类型
您可以指示整个 DataFrame 或各列的数据类型
In [9]: import numpy as np
In [10]: data = "a,b,c,d\n1,2,3,4\n5,6,7,8\n9,10,11"
In [11]: print(data)
a,b,c,d
1,2,3,4
5,6,7,8
9,10,11
In [12]: df = pd.read_csv(StringIO(data), dtype=object)
In [13]: df
Out[13]:
a b c d
0 1 2 3 4
1 5 6 7 8
2 9 10 11 NaN
In [14]: df["a"][0]
Out[14]: '1'
In [15]: df = pd.read_csv(StringIO(data), dtype={"b": object, "c": np.float64, "d": "Int64"})
In [16]: df.dtypes
Out[16]:
a int64
b object
c float64
d Int64
dtype: object
你可以使用 read_csv() 的 converters 参数，统一某列的数据类型
In [17]: data = "col_1\n1\n2\n'A'\n4.22"
In [18]: df = pd.read_csv(StringIO(data), converters={"col_1": str})
In [19]: df
Out[19]:
col_1
0 1
1 2
2 'A'
3 4.22
In [20]: df["col_1"].apply(type).value_counts()
Out[20]:
<class 'str'> 4
Name: col_1, dtype: int64
或者，您可以在读取数据后使用 to_numeric() 函数强制转换类型
In [21]: df2 = pd.read_csv(StringIO(data))
In [22]: df2["col_1"] = pd.to_numeric(df2["col_1"], errors="coerce")
In [23]: df2
Out[23]:
col_1
0 1.00
1 2.00
2 NaN
3 4.22
In [24]: df2["col_1"].apply(type).value_counts()
Out[24]:
<class 'float'> 4
Name: col_1, dtype: int64
它将所有有效的数值转换为浮点数，而将无效的解析为 NaN
最后，如何处理包含混合类型的列取决于你的具体需要。在上面的例子中，如果您只想要将异常的数据转换为 NaN，那么 to_numeric() 可能是您的最佳选择。
然而，如果您想要强制转换所有数据，而无论类型如何，那么使用 read_csv() 的 converters 参数会更好
注意
在某些情况下，读取包含混合类型列的异常数据将导致数据集不一致。
如果您依赖
pandas来推断列的类型，解析引擎将继续推断数据块的类型，而不是一次推断整个数据集。In [25]: col_1 = list(range(500000)) + ["a", "b"] + list(range(500000)) In [26]: df = pd.DataFrame({"col_1": col_1}) In [27]: df.to_csv("foo.csv") In [28]: mixed_df = pd.read_csv("foo.csv") In [29]: mixed_df["col_1"].apply(type).value_counts() Out[29]: <class 'int'> 737858 <class 'str'> 262144 Name: col_1, dtype: int64 In [30]: mixed_df["col_1"].dtype Out[30]: dtype('O')这就导致
mixed_df对于列的某些块包含int类型，而对于其他块则包含str，这是由于读取的数据是混合类型。
