5

我得到了一个相当大的 Excel 文件（5k 行），也是一个 CSV，我想把它做成一个 pandas 多级 DataFame。该文件的结构如下：

SampleID    OtherInfo    Measurements    Error    Notes
sample1     stuff                                 more stuff
                         36              6
                         26              7
                         37              8
sample2     newstuff                              lots of stuff
                         25              6
                         27              7

其中测量次数是可变的（有时为零）。任何信息之间都没有完整的空白行，并且在具有其他（字符串）数据的行上，“测量”和“错误”列是空的；这可能会使解析变得更加困难（？）。有没有一种简单的方法可以自动进行这种转换？我最初的想法是先用 Python 解析文件，然后在循环中将内容输入 DataFrame 插槽，但我不知道如何实现它，或者它是否是最好的做法。

提前致谢！

4

2 回答 2

4

看起来您的文件具有固定宽度的列，可以使用 read_fwf() 。

In [145]: data = """\
SampleID    OtherInfo    Measurements    Error    Notes                   
sample1     stuff                                 more stuff              
                         36              6
                         26              7
                         37              8
sample2     newstuff                              lots of stuff           
                         25              6
                         27              7
"""

In [146]: df = pandas.read_fwf(StringIO(data), widths=[12, 13, 14, 9, 15])

好的，现在我们有了数据，只需做一些额外的工作，您就有了一个框架，您可以在该框架上使用 set_index() 创建一个多级索引。

In [147]: df[['Measurements', 'Error']] = df[['Measurements', 'Error']].shift(-1)

In [148]: df[['SampleID', 'OtherInfo', 'Notes']] = df[['SampleID', 'OtherInfo', 'Notes']].fillna()

In [150]: df = df.dropna()

In [151]: df
Out[151]:
  SampleID OtherInfo  Measurements  Error          Notes
0  sample1     stuff            36      6     more stuff
1  sample1     stuff            26      7     more stuff
2  sample1     stuff            37      8     more stuff
4  sample2  newstuff            25      6  lots of stuff
5  sample2  newstuff            27      7  lots of stuff
于 2012-09-25T06:52:35.440 回答
0

这至少会清理它以进行额外的处理。

import csv
reader = csv.Reader(open(<csv_file_name>)
data = []
keys = reader.next()
for row in reader():
    r = dict(zip(keys,row))
    if not r['measurements'] or not r['Error']:
        continue
    for key in ['SampleID', 'OtherInfo', 'Notes']:
        if not r[key]:
            index = -1
            while True:
                if data[index][key]:
                    r[key] = data[index][key]
                    break
                index -= 1
    data.append(r)
于 2012-09-25T05:35:09.753 回答