如何解析CSV直接进入所期望的数据帧:
传递的功能的字典来pandas.read_csv
的converters
关键字参数:
import pandas as pd
import datetime as DT
nfp = pd.read_csv("NFP.csv",
sep=r'[\s,]', # 1
header=None, skiprows=1,
converters={ # 2
0: lambda x: DT.datetime.strptime(x, '%Y%m%d'),
1: lambda x: DT.time(*map(int, x.split(':')))},
names=['Date', 'Time', 'Actual', 'Consensus', 'Previous'])
print(nfp)
产量
Date Time Actual Consensus Previous
0 2014-01-10 13:30:00 74000 196000 241000
1 2013-12-06 13:30:00 241000 180000 200000
2 2013-11-08 13:30:00 200000 125000 163000
3 2013-10-22 12:30:00 163000 180000 193000
4 2013-09-06 12:30:00 193000 180000 104000
5 2013-08-02 12:30:00 104000 184000 188000
6 2013-07-05 12:30:00 188000 165000 176000
7 2013-06-07 12:30:00 176000 170000 165000
8 2013-05-03 12:30:00 165000 145000 138000
9 2013-04-05 12:30:00 138000 200000 268000
sep=r'[\s,]'
告诉read_csv
在 正则表达式模式r'[\s,]'
上分割csv的行 - 一个空格或逗号。
converters
参数告诉read_csv
将给定的 函数应用于某些列。键(例如0和1)指的是 列索引,这些值是要应用的函数。
如何执行csv_read
import pandas as pd
nfp = pd.read_csv("NFP.csv", parse_dates=[0], infer_datetime_format=True)
temp = pd.DatetimeIndex(nfp['DateTime'])
nfp['Date'] = temp.date
nfp['Time'] = temp.time
del nfp['DateTime']
print(nfp)
这是更快拆分后的数据帧?
这取决于CSV的大小。 (感谢Jeff指出这)
对于微小的CSV,解析CSV成所需的形式直接比使用与parse_dates=[0]
解析后DatetimeIndex更快:
def using_converter():
nfp = pd.read_csv("NFP.csv", sep=r'[\s,]', header=None, skiprows=1,
converters={
0: lambda x: DT.datetime.strptime(x, '%Y%m%d'),
1: lambda x: DT.time(*map(int, x.split(':')))},
names=['Date', 'Time', 'Actual', 'Consensus', 'Previous'])
return nfp
def using_index():
nfp = pd.read_csv("NFP.csv", parse_dates=[0], infer_datetime_format=True)
temp = pd.DatetimeIndex(nfp['DateTime'])
nfp['Date'] = temp.date
nfp['Time'] = temp.time
del nfp['DateTime']
return nfp
In [114]: %timeit using_index()
100 loops, best of 3: 1.71 ms per loop
In [115]: %timeit using_converter()
1000 loops, best of 3: 914 µs per loop
然而,对于刚刚的CSV几百行或更多,使用DatetimeIndex更快。
N = 20
filename = '/tmp/data'
content = '''\
DateTime,Actual,Consensus,Previous
20140110 13:30:00,74000,196000,241000
20131206 13:30:00,241000,180000,200000
20131108 13:30:00,200000,125000,163000
20131022 12:30:00,163000,180000,193000
20130906 12:30:00,193000,180000,104000
20130802 12:30:00,104000,184000,188000
20130705 12:30:00,188000,165000,176000
20130607 12:30:00,176000,170000,165000
20130503 12:30:00,165000,145000,138000
20130405 12:30:00,138000,200000,268000'''
def setup(n):
header, remainder = content.split('\n', 1)
with open(filename, 'w') as f:
f.write('\n'.join([header]+[remainder]*n))
In [304]: setup(50)
In [305]: %timeit using_converter()
100 loops, best of 3: 9.78 ms per loop
In [306]: %timeit using_index()
100 loops, best of 3: 9.3 ms per loop
我在哪里可以看一下这方面的信息?
- 有时你可以在Pandas Cookbook找到示例。
- 有时网络搜索或搜索Stackoverflow就足够了。
- 花什么也没有下雪周末做的,但读 pandas documentation一定会帮助了。
- 安装IPython。它具有制表符完成功能,如果您在 函数之后键入
?
,它将为您提供该函数的文档字符串。这两个功能 确实可以帮助您快速反思Python对象。它还告诉你在函数定义哪些文件(如果在纯Python定义) - 这使我...
- Reading the source code
只要坚持下去。你越了解它就越容易。
如果你给它您的最佳的射击,但还是无法找到答案,张贴#2的问题。你会很快得到答案,并帮助其他人寻找相同的东西。
非常感谢你的详细解答。这正是我正在寻找的。特别感谢信息来源。来自C++/C#开发人员发现,学习所有这些新库比我想象的要难! – azuric
仅供参考尝试to_datetime和read_csv与新的infer_datetime_format = True;应该更快 – Jeff
@Jeff:感谢您的信息。我添加了'infer_datetime_format = True'。你会在哪里使用'to_datetime'? – unutbu