111

pandas.read_csv当我过滤列usecols并使用多个索引时，我有一个 csv 文件没有正确输入。

import pandas as pd
csv = r"""dummy,date,loc,x
   bar,20090101,a,1
   bar,20090102,a,3
   bar,20090103,a,5
   bar,20090101,b,1
   bar,20090102,b,3
   bar,20090103,b,5"""

f = open('foo.csv', 'w')
f.write(csv)
f.close()

df1 = pd.read_csv('foo.csv',
        header=0,
        names=["dummy", "date", "loc", "x"], 
        index_col=["date", "loc"], 
        usecols=["dummy", "date", "loc", "x"],
        parse_dates=["date"])
print df1

# Ignore the dummy columns
df2 = pd.read_csv('foo.csv', 
        index_col=["date", "loc"], 
        usecols=["date", "loc", "x"], # <----------- Changed
        parse_dates=["date"],
        header=0,
        names=["dummy", "date", "loc", "x"])
print df2

我希望 df1 和 df2 除了缺少虚拟列之外应该是相同的，但是这些列的标签错误。日期也被解析为日期。 

In [118]: %run test.py
               dummy  x
date       loc
2009-01-01 a     bar  1
2009-01-02 a     bar  3
2009-01-03 a     bar  5
2009-01-01 b     bar  1
2009-01-02 b     bar  3
2009-01-03 b     bar  5
              date
date loc
a    1    20090101
     3    20090102
     5    20090103
b    1    20090101
     3    20090102
     5    20090103

使用列号而不是名称会给我同样的问题。我可以通过在 read_csv 步骤之后删除虚拟列来解决此问题，但我试图了解出了什么问题。我正在使用熊猫 0.10.1。

编辑：修复了错误的标头使用。

4

4 回答 4

133

解决方案在于理解这两个关键字参数：

  • 仅当文件中没有标题行并且您想使用列名而不是整数索引指定其他参数（例如 ）时，才需要使用usecols名称。
  • usecols应该在将整个 DataFrame 读入内存之前提供一个过滤器；如果使用得当，则永远不需要在阅读后删除列。

所以因为你有一个标题行，传递header=0就足够了，另外传递names似乎令人困惑pd.read_csv。

从第二个调用中删除names会给出所需的输出：

import pandas as pd
from StringIO import StringIO

csv = r"""dummy,date,loc,x
bar,20090101,a,1
bar,20090102,a,3
bar,20090103,a,5
bar,20090101,b,1
bar,20090102,b,3
bar,20090103,b,5"""

df = pd.read_csv(StringIO(csv),
        header=0,
        index_col=["date", "loc"], 
        usecols=["date", "loc", "x"],
        parse_dates=["date"])

这给了我们：

                x
date       loc
2009-01-01 a    1
2009-01-02 a    3
2009-01-03 a    5
2009-01-01 b    1
2009-01-02 b    3
2009-01-03 b    5
于 2015-01-06T02:47:26.400 回答
23

这段代码实现了你想要的——它也很奇怪，而且肯定有问题：

我观察到它在以下情况下起作用：

a）您指定index_colrel。到你真正使用的列数——所以在这个例子中它是三列，而不是四列（你dummy从那时起放下并开始计数）

b) 相同parse_dates

c) 不是因为usecols;) 出于显而易见的原因

d）在这里我调整了names以反映这种行为

import pandas as pd
from StringIO import StringIO

csv = """dummy,date,loc,x
bar,20090101,a,1
bar,20090102,a,3
bar,20090103,a,5
bar,20090101,b,1
bar,20090102,b,3
bar,20090103,b,5
"""

df = pd.read_csv(StringIO(csv),
        index_col=[0,1],
        usecols=[1,2,3], 
        parse_dates=[0],
        header=0,
        names=["date", "loc", "", "x"])

print df

哪个打印

                x
date       loc   
2009-01-01 a    1
2009-01-02 a    3
2009-01-03 a    5
2009-01-01 b    1
2009-01-02 b    3
2009-01-03 b    5
于 2013-02-22T18:04:28.777 回答
8

如果您的 csv 文件包含额外数据，则可以在导入后从 DataFrame 中删除列。

import pandas as pd
from StringIO import StringIO

csv = r"""dummy,date,loc,x
bar,20090101,a,1
bar,20090102,a,3
bar,20090103,a,5
bar,20090101,b,1
bar,20090102,b,3
bar,20090103,b,5"""

df = pd.read_csv(StringIO(csv),
        index_col=["date", "loc"], 
        usecols=["dummy", "date", "loc", "x"],
        parse_dates=["date"],
        header=0,
        names=["dummy", "date", "loc", "x"])
del df['dummy']

这给了我们：

                x
date       loc
2009-01-01 a    1
2009-01-02 a    3
2009-01-03 a    5
2009-01-01 b    1
2009-01-02 b    3
2009-01-03 b    5
于 2013-02-26T22:01:28.703 回答
1

您只需添加index_col=False参数

df1 = pd.read_csv('foo.csv',
     header=0,
     index_col=False,
     names=["dummy", "date", "loc", "x"], 
     usecols=["dummy", "date", "loc", "x"],
     parse_dates=["date"])
  print df1
于 2019-08-12T13:44:09.620 回答