1
我正在寻找将大CSV读入数据框,并附加了一个我想失败的约束条件如果缺少某些列(因为输入不像预期的那样),我会提前,但是我确实需要全部列,而不仅仅是要包含在Dataframe中的所需列。在pandas.read_csv
中,如果我想指定要读入的列的子集,我似乎可以使用usecols
参数,但是我可以看到检查哪些列将在我要读取的数据框中的唯一显而易见的方式是实际上阅读文件。在pandas中强加所需的列约束read_csv
我做了读取数据帧作为一个迭代工作第一通版本,获取第一线,检查该列是否存在,然后读取与正常参数的文件:
import pandas as pd
from io import StringIO
class MissingColumnsError(ValueError):
pass
def cols_enforced_reader(*args, cols_must_exist=None, **kwargs):
if cols_must_exist is not None:
# Read the first line of the DataFrame and check the columns
new_kwargs = kwargs.copy()
new_kwargs['iterator'] = True
new_kwargs['chunksize'] = 1
if len(args):
filepath_or_buffer = args[0]
args = args[1:]
else:
filepath_or_buffer = new_kwargs.get('filepath_or_buffer', None)
df_iterator = pd.read_csv(filepath_or_buffer, *args, **new_kwargs)
c = next(df_iterator)
if not all(col in c.columns for col in cols_must_exist):
raise MissingColumnsError('Some required columns were missing!')
seek = getattr(filepath_or_buffer, 'seek', None)
if seek is not None:
if filepath_or_buffer.seekable():
filepath_or_buffer.seek(0)
return pd.read_csv(filepath_or_buffer, *args, **kwargs)
in_csv = """col1,col2,col3\n0,1,2\n3,4,5\n6,7,8"""
# Should succeed
df = cols_enforced_reader(StringIO(in_csv), cols_must_exist=['col1'])
print('First call succeeded as expected.')
# Should fail
try:
df = cols_enforced_reader(StringIO(in_csv), cols_must_exist=['col7'])
except MissingColumnsError:
print('Second call failed as expected.')
这对我来说感觉有点混乱,并没有真正处理(例如不可搜索的流,或者我不应该从0开始的缓冲区)的所有可能的输入。显然,我可以调整我在这里对我的具体用例的时刻,并完成它,但我想知道是否有一个更优雅的方式来做到这一点(最好只是使用标准的熊猫功能),在一般 。
这是多了还是少了什么我在做我的问题,但它仍然需要两次读取该文件,这不一定适用于缓冲区而不是路径的CSV。理想情况下,我会使用先读取列的内容,检查这些内容,然后引发错误或继续按预期进行。 – Paul
我打算建议您使用['itertools.tee()'](https://docs.python.org/3.6/library/itertools.html?highlight=tee#itertools.tee)来复制它,但是我似乎记得大熊猫不会和那个玩球。 –
是的,我认为这个答案实际上是“不,不可能优雅地做”。带有csvreader的版本有缺点,它会忽略pandas.read_csv的所有参数。我认为我的版本和你的第一个版本的一些组合,再加上更多的边缘案例检查可能是做出这个功能的通用函数的唯一方法。 – Paul