用Pandas读取CSV，看这篇就够了

 

01 语法

基本语法如下，pd为导入Pandas模块的别名：

1. pd.read_csv(filepath_or_buffer: Union[str, pathlib.Path, IO[~AnyStr]],  
2.             sep=',', delimiter=None, header='infer', names=None, index_col=None,  
3.             usecols=None, squeeze=False, prefix=None, mangle_dupe_cols=True,  
4.             dtype=None, engine=None, converters=None, true_values=None,  
5.             false_values=None, skipinitialspace=False, skiprows=None,  
6.             skipfooter=0, nrows=None, na_values=None, keep_default_na=True,  
7.             na_filter=True, verbose=False, skip_blank_lines=True,  
8.             parse_dates=False, infer_datetime_format=False,  
9.             keep_date_col=False, date_parser=None, dayfirst=False,  
10.             cache_dates=True, iterator=False, chunksize=None,  
11.             compression='infer', thousands=None, decimal: str = '.',  
12.             lineterminator=None, quotechar='"', quoting=0,  
13.             doublequote=True, escapechar=None, comment=None,  
14.             encoding=None, dialect=None, error_bad_lines=True,  
15.             warn_bad_lines=True, delim_whitespace=False,  
16.             low_memory=True, memory_map=False, float_precision=None) 

一般情况下，会将读取到的数据返回一个DataFrame，当然按照参数的要求会返回指定的类型。

02 数据内容

filepath_or_buffer为第一个参数，没有默认值，也不能为空，根据Python的语法，第一个参数传参时可以不写参数名。可以传文件路径：

1. # 支持文件路径或者文件缓冲对象  
2. # 本地相对路径  
3. pd.read_csv('data/data.csv') # 注意目录层级  
4. pd.read_csv('data.csv') # 如果文件与代码文件在同一目录下  
5. pd.read_csv('data/my/my.data') # CSV文件的扩展名不一定是.csv  
6. # 本地绝对路径  
7. pd.read_csv('/user/gairuo/data/data.csv')  
8. # 使用URL  
9. pd.read_csv('https://www.gairuo.com/file/data/dataset/GDP-China.csv') 

需要注意的是，Mac中和Windows中路径的写法不一样，上例是Mac中的写法，Windows中的相对路径和绝对路径需要分别换成类似'data\data.csv'和'E: \data\data.csv'的形式。另外，路径尽量不要使用中文，否则程序容易报错，这意味着你存放数据文件的目录要尽量用英文命名。

可以传数据字符串，即CSV中的数据字符以字符串形式直接传入：

1. from io import StringIO  
2. data = ('col1,col2,col3\n'  
3.         'a,b,1\n'  
4.         'a,b,2\n'  
5.         'c,d,3')  
6. pd.read_csv(StringIO(data))  
7. pd.read_csv(StringIO(data), dtype=object) 

也可以传入字节数据：

1. from io import BytesIO  
2. data = (b'word,length\n'  
3.         b'Tr\xc3\xa4umen,7\n'  
4.         b'Gr\xc3\xbc\xc3\x9fe,5')  
5. pd.read_csv(BytesIO(data)) 

03 分隔符

sep参数是字符型的，代表每行数据内容的分隔符号，默认是逗号，另外常见的还有制表符（\t）、空格等，根据数据的实际情况传值。

1. # 数据分隔符默认是逗号，可以指定为其他符号  
2. pd.read_csv(data, sep='\t') # 制表符分隔tab  
3. pd.read_table(data) # read_table 默认是制表符分隔tab  
4. pd.read_csv(data, sep='|') # 制表符分隔tab  
5. pd.read_csv(data,sep="(?<!a)\|(?!1)", engine='python') # 使用正则表达式 

pd.read_csv还提供了一个参数名为delimiter的定界符，这是一个备选分隔符，是sep的别名，效果和sep一样。如果指定该参数，则sep参数失效。

04 表头

header参数支持整型和由整型组成的列表，指定第几行是表头，默认会自动推断把第一行作为表头。

1. pd.read_csv(data, header=0) # 第一行  
2. pd.read_csv(data, header=None) # 没有表头  
3. pd.read_csv(data, header=[0,1,3]) # 多层索引MultiIndex 

•  注意：如果skip_blank_lines=True，header参数将忽略空行和注释行, 因此header=0表示第一行数据而非文件的第一行。

05 列名

names用来指定列的名称，它是一个类似列表的序列，与数据一一对应。如果文件不包含列名，那么应该设置header=None，列名列表中不允许有重复值。

1. pd.read_csv(data, names=['列1', '列2']) # 指定列名列表  
2. pd.read_csv(data, names=['列1', '列2'], header=None) 

06 索引

index_col用来指定索引列，可以是行索引的列编号或者列名，如果给定一个序列，则有多个行索引。Pandas不会自动将第一列作为索引，不指定时会自动使用以0开始的自然索引。

1. # 支持int、str、int序列、str序列、False，默认为None  
2. pd.read_csv(data, index_col=False) # 不再使用首列作为索引  
3. pd.read_csv(data, index_col=0) # 第几列是索引  
4. pd.read_csv(data, index_col='年份') # 指定列名  
5. pd.read_csv(data, index_col=['a','b']) # 多个索引  
6. pd.read_csv(data, index_col=[0, 3]) # 按列索引指定多个索引 

07 使用部分列

如果只使用数据的部分列，可以用usecols来指定，这样可以加快加载速度并降低内存消耗。

1. # 支持类似列表的序列和可调用对象  
2. # 读取部分列  
3. pd.read_csv(data, usecols=[0,4,3]) # 按索引只读取指定列，与顺序无关  
4. pd.read_csv(data, usecols=['列1', '列5']) # 按列名，列名必须存在  
5. # 指定列顺序，其实是df的筛选功能  
6. pd.read_csv(data, usecols=['列1', '列5'])[['列5', '列1']]  
7. # 以下用callable方式可以巧妙指定顺序，in后面的是我们要的顺序  
8. pd.read_csv(data, usecols=lambda x: x.upper() in ['COL3', 'COL1']) 

08 返回序列

将squeeze设置为True，如果文件只包含一列，则返回一个Series，如果有多列，则还是返回DataFrame。

1. # 布尔型，默认为False  
2. # 下例只取一列，会返回一个Series  
3. pd.read_csv(data, usecols=[0], squeeze=True)  
4. # 有两列则还是df  
5. pd.read_csv(data, usecols=[0, 2], squeeze=True) 

09 表头前缀

如果原始数据没有列名，可以指定一个前缀加序数的名称，如n0、n1，通过prefix参数指定前缀。

1. # 格式为字符型str  
2. # 表头为c_0、c_2  
3. pd.read_csv(data, prefix='c_', header=None) 

10 处理重复列名

如果该参数为True，当列名有重复时，解析列名将变为X, X.1, …, X.N，而不是X, …, X。如果该参数为False，那么当列名中有重复时，前列将会被后列覆盖。

1. # 布尔型，默认为True  
2. data = 'a,b,a\n0,1,2\n3,4,5'  
3. pd.read_csv(StringIO(data), mangle_dupe_cols=True)  
4. # 表头为a b a.1  
5. # False会报ValueError错误 

11 数据类型 

1. dtype可以指定各数据列的数据类型。  
2. # 传入类型名称，或者以列名为键、以指定类型为值的字典  
3. pd.read_csv(data, dtype=np.float64) # 所有数据均为此数据类型  
4. pd.read_csv(data, dtype={'c1':np.float64, 'c2': str}) # 指定字段的类型  
5. pd.read_csv(data, dtype=[datetime, datetime, str, float]) # 依次指定 

12 引擎

使用的分析引擎可以选择C或Python。C语言的速度最快，Python语言的功能最为完善，一般情况下，不需要另行指定。

1. # 格式为engine=None，其中可选值有{'c', 'python'}  
2. pd.read_csv(data, engine='c') 

13 列数据处理

使用converters参数对列的数据进行转换，参数中指定列名与针对此列的处理函数，最终以字典的形式传入，字典的键可以是列名或者列的序号。

1. # 字典格式，默认为None  
2. data = 'x,y\na,1\nb,2'  
3. def foo(p):  
4.     return p+'s'  
5. # x应用函数，y使用lambda  
6. pd.read_csv(StringIO(data), converters={'x': foo,  
7.                                         'y': lambda x: x*3})  
8. # 使用列索引  
9. pd.read_csv(StringIO(data),  
10.             converters={0: foo, 1: lambda x: x*3}) 

14 真假值转换

使用true_values和false_values将指定的文本内容转换为True或False，可以用列表指定多个值。

1. # 列表，默认为None  
2. data = ('a,b,c\n1,Yes,2\n3,No,4')  
3. pd.read_csv(StringIO(data),  
4.             true_values=['Yes'], false_values=['No']) 

15 跳过指定行

如下跳过需要忽略的行数（从文件开始处算起）或需要忽略的行号列表（从0开始）：

1. # 类似列表的序列或者可调用对象  
2. # 跳过前三行  
3. pd.read_csv(data, skiprows=2)  
4. # 跳过前三行  
5. pd.read_csv(data, skiprows=range(2))  
6. # 跳过指定行  
7. pd.read_csv(data, skiprows=[24,234,141])  
8. # 跳过指定行  
9. pd.read_csv(data, skiprows=np.array([2, 6, 11]))  
10. # 隔行跳过  
11. pd.read_csv(data, skiprows=lambda x: x % 2 != 0) 

尾部跳过，从文件尾部开始忽略，C引擎不支持。

1. # int类型, 默认为0  
2. pd.read_csv(filename, skipfooter=1) # 最后一行不加载 

skip_blank_lines指定是否跳过空行，如果为True，则跳过空行，否则数据记为NaN。

1. # 布尔型，默认为True  
2. # 不跳过空行  
3. pd.read_csv(data, skip_blank_lines=False) 

如果skip_blank_lines=True，header参数将忽略空行和注释行, 因此header=0表示第一行数据而非文件的第一行。

16 读取指定行

nrows参数用于指定需要读取的行数，从文件第一行算起，经常用于较大的数据，先取部分进行代码编写。

1. # int类型，默认为None  
2. pd.read_csv(data, nrows=1000) 

17 空值替换

na_values参数的值是一组用于替换NA/NaN的值。如果传参，需要指定特定列的空值。以下值默认会被认定为空值：

1. ['-1.#IND', '1.#QNAN', '1.#IND', '-1.#QNAN',  
2.  '#N/A N/A', '#N/A', 'N/A', 'n/a', 'NA',  
3.  '#NA', 'NULL', 'null', 'NaN', '-NaN',  
4.  'nan', '-nan', ''] 

使用na_values时需要关注下面keep_default_na的配合使用和影响：

1. # 可传入标量、字符串、类似列表序列和字典，默认为None  
2. # 5和5.0会被认为是NaN  
3. pd.read_csv(data, na_values=[5])  
4. # ?会被认为是NaN  
5. pd.read_csv(data, na_values='?')  
6. # 空值为NaN  
7. pd.read_csv(data, keep_default_na=False, na_values=[""])  
8. # 字符NA和字符0会被认为是NaN  
9. pd.read_csv(data, keep_default_na=False, na_values=["NA", "0"])  
10. # Nope会被认为是NaN 
11. pd.read_csv(data, na_values=["Nope"])  
12. # a、b、c均被认为是NaN，等于na_values=['a','b','c']  
13. pd.read_csv(data, na_values='abc')  
14. # 指定列的指定值会被认为是NaN  
15. pd.read_csv(data, na_values={'c':3, 1:[2,5]}) 

18 保留默认空值

分析数据时是否包含默认的NaN值，是否自动识别。如果指定na_values参数，并且 keep_default_na=False，那么默认的NaN将被覆盖，否则添加。keep_default_na和na_values的关系见表3-2。

▼表3-2 keep_default_na和na_values的取值逻辑关系

•  说明：如果na_filter为False（默认为True），那么keep_default_na和na_values参数均无效。 

1. # 布尔型，默认为True  
2. # 不自动识别空值  
3. pd.read_csv(data, keep_default_na=False) 

na_filter为是否检查丢失值（空字符串或空值）。对于大文件来说，数据集中没有空值，设定na_filter=False可以提升读取速度。

1. # 布尔型，默认为True  
2. pd.read_csv(data, na_filter=False) # 不检查 

19 日期时间解析

日期时间解析器参数date_parser用于解析日期的函数，默认使用dateutil.parser.parser来做转换。

如果为某些或所有列启用了parse_dates，并且datetime字符串的格式都相同，则通过设置infer_datetime_format=True，可以大大提高解析速度，pandas将尝试推断datetime字符串的格式，然后使用更快的方法解析字符串，从而将解析速度提高5～10倍。如果无法对整列做出正确的推断解析，Pandas将返回到正常的解析模式。

下面是一些可自动推断的日期时间字符串示例，它们都表示2020年12月30日00:00:00：

•  "20201230"
•  "2020/12/30"
•  "20201230 00:00:00"
•  "12/30/2020 00:00:00"
•  "30/Dec/2020 00:00:00"
•  "30/December/2020 00:00:00" 

1. # 解析时间的函数名，默认为None  
2. # 指定时间解析库，默认是dateutil.parser.parser  
3. date_parser = pd.io.date_converters.parse_date_time 
4. date_parser = lambda x: pd.to_datetime(x, utc=True, format='%d%b%Y')  
5. date_parser = lambda d: pd.datetime.strptime(d, '%d%b%Y')  
6. # 使用  
7. pd.read_csv(data, parse_dates=['年份'], date_parserdate_parser=date_parser) 

parse_dates参数用于对时间日期进行解析。

1. # 布尔型、整型组成的列表、列表组成的列表或者字典，默认为False  
2. pd.read_csv(data, parse_dates=True) # 自动解析日期时间格式  
3. pd.read_csv(data, parse_dates=['年份']) # 指定日期时间字段进行解析  
4. # 将第1、4列合并解析成名为“时间”的时间类型列  
5. pd.read_csv(data, parse_dates={'时间':[1,4]}) 

如果infer_datetime_format被设定为True并且parse_dates可用，那么Pandas将尝试转换为日期类型。

1. # 布尔型，默认为False  
2. pd.read_csv(data, parse_dates=True, infer_datetime_format=True) 

如果用上文中的parse_dates参数将多列合并并解析成一个时间列，设置keep_date_col的值为True时，会保留这些原有的时间组成列；如果设置为False，则不保留这些列。

1. # 布尔型，默认为False  
2. pd.read_csv(data, parse_dates=[[1, 2], [1, 3]], keep_date_col=True) 

对于DD/MM格式的日期类型，如日期2020-01-06，如果dayfirst=True，则会转换成2020-06-01。

1. # 布尔型，默认为False  
2. pd.read_csv(data, dayfirst=True, parse_dates=[0]) 

cache_dates如果为True，则使用唯一的转换日期缓存来应用datetime转换。解析重复的日期字符串，尤其是带有时区偏移的日期字符串时，可能会大大提高速度。

1. # 布尔型，默认为True  
2. pd.read_csv(data, cache_dates=False) 

20 文件处理

以下是一些对读取文件对象的处理方法。iterator参数如果设置为True，则返回一个TextFileReader对象，并可以对它进行迭代，以便逐块处理文件。

1. # 布尔型，默认为False  
2. pd.read_csv(data, iterator=True)  
3. chunksize指定文件块的大小，分块处理大型CSV文件。  
4. # 整型，默认为None  
5. pd.read_csv(data, chunksize=100000)  
6. # 分块处理大文件  
7. df_iterator = pd.read_csv(file, chunksize=50000)  
8. def process_dataframe(df):  
9.     pass  
10.     return processed_df  
11. for index,df_tmp in enumerate(df_iterator):  
12.     df_processed = process_dataframe(df_tmp)  
13.     if index > 0:  
14.        df_processed.to_csv(path)  
15.     else:  
16.        df_processed.to_csv(path, mode='a', header=False) 

compression（压缩格式）用于对磁盘数据进行即时解压缩。如果为“infer”，且filepath_or_buffer是以.gz、.bz2、.zip或.xz结尾的字符串，则使用gzip、bz2、zip或xz，否则不进行解压缩。如果使用zip，则ZIP文件必须仅包含一个要读取的数据文件。设置为None将不进行解压缩。

1. # 可选值有'infer'、'gzip'、'bz2'、'zip'、'xz'和None，默认为'infer'  
2. pd.read_csv('sample.tar.gz', compression='gzip') 

encoding（编码）指定字符集类型，通常指定为'utf-8'。

1. # 字符型，默认为None  
2. pd.read_csv('gairuo.csv', encoding='utf8')  
3. pd.read_csv("gairuo.csv",encoding="gb2312") # 常见中文 

21 符号

以下是对文件中的一些数据符号进行的特殊识别处理。如下设置千分位分隔符thousands：

1. # 字符型，默认为None  
2. pd.read_csv('test.csv', thousands=',') # 逗号分隔 

小数点decimal，识别为小数点的字符。

1. # 字符串，默认为'.'  
2. pd.read_csv(data, decimal=",") 

行结束符lineterminator，将文件分成几行的字符，仅对C解析器有效。

1. # 长度为1的字符串，默认为None  
2. data = 'a,b,c~1,2,3~4,5,6'  
3. pd.read_csv(StringIO(data), lineterminator='~') 

引号quotechar，用于表示引用数据的开始和结束的字符。引用的项目可以包含定界符，它将被忽略。

1. # 长度为1的字符串  
2. pd.read_csv(file, quotechar='"') 

在csv模块中，数据可能会用引号等字符包裹起来，quoting参数用来控制识别字段的引号模式，它可以是Python csv模块中的csv.QUOTE_*常量，也可以传入对应的数字。各个传入值的意义如下。

•  0或csv.QUOTE_MINIMAL：仅特殊字段有引号。
•  1或csv.QUOTE_ALL：所有字段都有引号。
•  2或csv.QUOTE_NONNUMERIC：所有非数字字段都有引号。
•  3或csv.QUOTE_NONE：所有字段都没有引号。

如果使用csv模块，则需要事先引入csv模块。

1. # 整型或者csv.QUOTE_*实例, 默认为0  
2. import csv  
3. pd.read_csv('input_file.csv', quoting=csv.QUOTE_NONE) 

双引号doublequote，当单引号已经被定义，并且quoting参数不是QUOTE_NONE的时候，使用双引号表示将引号内的元素作为一个元素使用。

1. # 布尔型，默认为True  
2. import csv  
3. pd.read_csv('data.csv', quotechar='"', doublequote=True, quoting=csv.QUOTE_NONNUMERIC) 

escapechar可以传入一个转义符，用于过滤数据中的该转入符。比如，如果一行用双引号包裹着的数据中有换行符，用以下代码可以过滤其中的换行符。

1. # 长度为1的转义字符串，默认为None  
2. pd.read_csv(StringIO(data), escapechar='\n', encoding='utf-8') 

注释标识comment，指示不应分析行的部分。如果在一行的开头找到该标识，则将完全忽略该行。此参数必须是单个字符。像空行一样（只要skip_blank_lines = True），注释的行将被参数header忽略，而不是被skiprows忽略。例如，如果comment ='＃'，则解析header=0的'#empty \ na，b，c \ n1,2,3'会将'a，b，c'视为header。

1. # 字符串，默认为None  
2. s = '# notes\na,b,c\n# more notes\n1,2,3'  
3. pd.read_csv(StringIO(s), sep=',', comment='#', skiprows=1) 

空格分隔符delim_whitespace，指定是否将空格（例如''或'\ t'）用作分隔符，等效于设置sep ='\s+'。如果此选项设置为True，则不应该为delimiter参数传递任何内容。

1. # 布尔型，默认为False  
2. pd.read_csv(StringIO(data), delim_whitespace=False) 

22 小结

通过本文的介绍，我们了解了读取CSV文件的一些参数的功能，也了解了在读取CSV文件时可以做一些初步的数据整理工作。

原文链接：https://mp.weixin.qq.com/s/gef54I0aMMKvDlepuJA1Hg