14

我有一堆 CSV 文件（下面的示例中只有两个）。每个 CSV 文件有 6 列。我想进入每个 CSV 文件，复制前两列并将它们作为新列添加到现有 CSV 文件中。

到目前为止，我有：

import csv

f = open('combined.csv')
data = [item for item in csv.reader(f)]
f.close()

for x in range(1,3): #example has 2 csv files, this will be automated
    n=0
    while n<2:
        f=open(str(x)+".csv")
        new_column=[item[n] for item in csv.reader(f)]
        f.close()
        #print d

        new_data = []

        for i, item in enumerate(data):
            try:
                item.append(new_column[i])
                print i
            except IndexError, e:
                item.append("")
            new_data.append(item)

        f = open('combined.csv', 'w')
        csv.writer(f).writerows(new_data)
        f.close()
        n=n+1

这行得通，它不漂亮，但它有效。但是，我有三个小烦恼：

  1. 我打开每个 CSV 文件两次（每列一次），这并不优雅

  2. 当我打印combined.csv文件时，它会在每一行之后打印一个空行？

  3. 我必须提供一个combined.csv文件，其中的行数至少与我可能拥有的最大文件一样多。因为我真的不知道这个数字可能是多少，这有点糟糕

一如既往，非常感谢任何帮助！

根据要求：1.csv 看起来像（模拟数据）

1,a
2,b
3,c
4,d

2.csv 看起来像

5,e
6,f
7,g
8,h
9,i

组合的.csv 文件应该看起来像

1,a,5,e
2,b,6,f
3,c,7,g
4,d,8,h
,,9,i
4

4 回答 4

7 
import csv
import itertools as IT

filenames = ['1.csv', '2.csv']
handles = [open(filename, 'rb') for filename in filenames]    
readers = [csv.reader(f, delimiter=',') for f in handles]
    
with  open('combined.csv', 'wb') as h:
    writer = csv.writer(h, delimiter=',', lineterminator='\n', )
    for rows in IT.izip_longest(*readers, fillvalue=['']*2):
        combined_row = []
        for row in rows:
            row = row[:2] # select the columns you want
            if len(row) == 2:
                combined_row.extend(row)
            else:
                combined_row.extend(['']*2)#This extends two empty columns
        writer.writerow(combined_row)
        
for f in handles:
    f.close()

该行for rows in IT.izip_longest(*readers, fillvalue=['']*2): 可以通过一个示例来理解：

In [1]: import itertools as IT

In [2]: readers = [(1,2,3), ('a','b','c','d'), (10,20,30,40)]

In [3]: list(IT.izip_longest(readers[0], readers[1], readers[2]))
Out[3]: [(1, 'a', 10), (2, 'b', 20), (3, 'c', 30), (None, 'd', 40)]

如您所见，IT.izip_longest的行为与 非常相似zip，只是它在最长的可迭代对象被消耗之前不会停止。它默认填充缺失的项目None。

现在如果有超过 3 个项目会发生什么readers？我们想写

list(IT.izip_longest(readers[0], readers[1], readers[2], ...))

但这很费力，如果我们事先不知道len(readers)，我们甚至无法将省略号 ( ...) 替换为明确的内容。

Python 对此有一个解决方案：星号（又名参数解包）语法：

In [4]: list(IT.izip_longest(*readers))
Out[4]: [(1, 'a', 10), (2, 'b', 20), (3, 'c', 30), (None, 'd', 40)]

请注意，结果与结果Out[4]相同Out[3]。

*readers告诉 Python 解包这些项目并将readers它们作为单独的参数发送到IT.izip_longest. 这就是 Python 允许我们向函数发送任意数量的参数的方式。

于 2013-01-25T23:25:44.170 回答
7

如今，对于Python 中的任何数据处理问题，人们似乎几乎有义务提供基于pandas的解决方案。所以这是我的：

import pandas as pd

to_merge = ['{}.csv'.format(i) for i in range(4)]
dfs = []
for filename in to_merge:
    # read the csv, making sure the first two columns are str
    df = pd.read_csv(filename, header=None, converters={0: str, 1: str})
    # throw away all but the first two columns
    df = df.ix[:,:1]
    # change the column names so they won't collide during concatenation
    df.columns = [filename + str(cname) for cname in df.columns]
    dfs.append(df)

# concatenate them horizontally
merged = pd.concat(dfs,axis=1)
# write it out
merged.to_csv("merged.csv", header=None, index=None)

哪个文件

~/coding/pand/merge$ cat 0.csv 
0,a,6,5,3,7
~/coding/pand/merge$ cat 1.csv 
1,b,7,6,7,0
2,c,0,1,8,7
3,d,6,8,4,5
4,e,8,4,2,4
~/coding/pand/merge$ cat 2.csv 
5,f,6,2,9,1
6,g,0,3,2,7
7,h,6,5,1,9
~/coding/pand/merge$ cat 3.csv 
8,i,9,1,7,1
9,j,0,9,3,9

给

In [21]: !cat merged.csv
0,a,1,b,5,f,8,i
,,2,c,6,g,9,j
,,3,d,7,h,,
,,4,e,,,,

In [22]: pd.read_csv("merged.csv", header=None)
Out[22]: 
    0    1  2  3   4    5   6    7
0   0    a  1  b   5    f   8    i
1 NaN  NaN  2  c   6    g   9    j
2 NaN  NaN  3  d   7    h NaN  NaN
3 NaN  NaN  4  e NaN  NaN NaN  NaN

我认为这是正确的对齐方式。

于 2013-01-26T00:00:45.183 回答
3

这是我为解决您的问题而编写的程序。它创建了一个类，其中包含有关要读取的每个 CSV 文件的信息，包括您想要从中获取哪些列。然后只是一个要读取的 CSV 文件列表，并从每个文件中读取一行。

由于您说它需要继续返回行，直到读取所有输入文件，所以它为已到达末尾的输入文件返回虚拟值。它一直读取行，直到完成所有输入文件。

此外，这个程序只需要在内存中一次保存一行。因此，它甚至可以处理大型 CSV 文件，而无需太多内存。

最初，我对缺失数据的虚拟值为 -1。现在我看到您添加了一个示例，而您只是不想要任何价值。我已将程序从使用 -1 更改为在没有数据时使用空字符串。

设计目标之一是使其可扩展。现在您需要前两列，但如果您稍后需要其中一个文件的第 0、3 和 7 列怎么办？所以每个文件都有一个包含列的列表。

我实际上并没有编写代码来将输出文件重命名为原始文件名，但这很容易添加。

理想情况下，这整件事将被包装到一个类中，您可以在其中迭代一个类实例并使用所有输入文件中的列将一行放在一起。我没有花额外的时间来做这件事，但如果你要长期使用它，你可能想要这样做。此外，我从不费心关闭任何输入文件，因为我认为程序将在我们编写输出文件后结束，然后一切都会关闭；但理想情况下，我们应该在使用完所有文件后关闭它们！

import csv

fname_in = "combined.csv"
fname_out = "combined.tmp"

lst_other_fnames = [str(x) + ".csv" for x in range(1, 3)]

no_data = ''
def _no_data_list(columns):
    return [no_data for _ in columns]

class DataCsvFile(object):
    def __init__(self, fname, columns=None):
        self.fname = fname
        self.f = open(fname)
        self.reader = csv.reader(self.f)
        self.columns = columns
        self.done = False
    def next_columns(self):
        if self.done:
            return _no_data_list(self.columns)

        try:
            item = next(self.reader)
        except StopIteration:
            self.done = True
            return _no_data_list(self.columns)

        return [item[i] for i in self.columns]

# want all columns from original file
data_csv_files = [DataCsvFile(fname_in, range(5))]

# build list of filenames and columns: want first two columns from each
data_csv_files.extend(DataCsvFile(fname, range(2)) for fname in lst_other_fnames)


with open(fname_out, "w") as out_f:
    writer = csv.writer(out_f)

    while True:
        values = []
        for df in data_csv_files:
            columns = df.next_columns()
            values.extend(columns)
        if not all(df.done for df in data_csv_files):
            writer.writerow(values)
        else:
            break
于 2013-01-25T22:38:39.383 回答
1

这是一个示例（为简单起见，我使用字符串 io 而不是文件，但这不是必需的）：

a = u"""
1,a
2,b
3,c
4,d
"""
b = u"""
5,e
6,f
7,g
8,h
9,i
"""
c = u"""
11,x
12,y
13,z
"""

import io, csv, itertools

data = []
expand = lambda it, size: it + [[''] * len(it[0])] * size

for f in [a, b, c]:
    with io.StringIO(f.strip()) as fp:
        d = list(csv.reader(fp))
        t = len(d) - len(data)
        data = d if not data else [
            x + y for x, y in itertools.izip_longest(
                expand(data, t), expand(d, -t))]

for r in data:
    print ','.join(r)    

# 1,a,5,e,11,x
# 2,b,6,f,12,y
# 3,c,7,g,13,z
# 4,d,8,h,,
# ,,9,i,,

对于真实文件（名为 1.csv、2.csv 等），主循环将如下所示：

for n in range(...):
    with open(str(n) + '.csv') as fp:
        d = list(csv.reader(fp))
        t = len(d) - len(data)
        data = d if not data else [
            x + y for x, y in itertools.izip_longest(
                expand(data, t), expand(d, -t))]
于 2013-01-25T21:55:39.060 回答