Python Pandas读写txt和csv文件的方法详解
更新时间：2022年09月19日 10:02:08 作者：无 羡ღ
这篇文章主要为大家详细介绍了Python Pandas实现读写txt和csv文件查找的方法，文中的示例代码积极性，感兴趣的小伙伴可以跟随小编一起了解一下
一、文本文件
文本文件，主要包括csv和txt两种等，相应接口为read_csv()和to_csv()，分别用于读写数据
1. read_csv()
格式代码：
pandas.read_csv(filepath_or_buffer, sep=', ', delimiter=None, header='infer', names=None, index_col=None, usecols=None, squeeze=False, prefix=None, mangle_dupe_cols=True, dtype=None, engine=None, converters=None, true_values=None, false_values=None, skipinitialspace=False, skiprows=None, nrows=None, na_values=None, keep_default_na=True, na_filter=True, verbose=False, skip_blank_lines=True, parse_dates=False, infer_datetime_format=False, keep_date_col=False, date_parser=None, dayfirst=False, iterator=False, chunksize=None, compression='infer', thousands=None, decimal=b'.', lineterminator=None, quotechar='"', quoting=0, escapechar=None, comment=None, encoding=None, dialect=None, tupleize_cols=None, error_bad_lines=True, warn_bad_lines=True, skipfooter=0, doublequote=True, delim_whitespace=False, low_memory=True, memory_map=False, float_precision=None）
常用参数：
- filepath_or_buffer：文件路径
- sep=','：默认以，为数据分隔符
- skiprows：跳过前几行
- nrows ：只读前几行
- parse_dates = [‘col_name’]：指定某行读取为日期格式
- index_col = [‘col_1’,‘col_2’]：读取指定的几列
- error_bad_lines = False ：当某行数据有问题时，不报错，直接跳过，处理脏数据时使用
- na_values = ‘NULL’：将NULL识别为空值
- header = 0：表示以数据的第一行为列索引
- encoding = “utf-8”：表明以utf-8为编码规则。
- names = range(0,50))：表示以[0…49]为列索引的名字
（1）读取csv文件：
>>> import pandas as pd >>> >>> df = pd.read_csv(r"E:\Python学习\test.csv") >>> print(df) name age 0 小红 10 1 小明 20 2 小白 30 >>> print(type(df)) <class 'pandas.core.frame.DataFrame'> >>> # 行和列 >>> print(df.shape) (3, 2) >>> print(list(df.columns)) ['name', 'age']
（2）读取txt文件：
>>> df = pd.read_csv(r"E:\Python学习\test.txt") >>> print(df) 北京 0 上海 1 成都 2 深圳 3 广州 4 广东
skiprows
跳过前n行
>>> df = pd.read_csv(r"E:\Python学习\test.csv", skiprows=2) >>> print(df) 小明 20 0 小白 30
nrows
只读前几行
>>> df = pd.read_csv(r"E:\Python学习\test.csv", nrows =2) >>> print(df) name age 0 小红 10 1 小明 20
index_col
index_col = [‘col_1’,‘col_2’]：读取指定的几列。整数或者字符串或者整数/字符串列表。指定用作的行标签的列。
感觉有问题，和我想象中不同：
>>> df = pd.read_csv(r"E:\Python学习\test.csv", index_col =['name'])
>>> print(df)
age
name
小红 10
小明 20
小白 30
>>> df = pd.read_csv(r"E:\Python学习\test.csv", index_col=1)
>>> print(df)
name
age
10 小红
20 小明
30 小白
names
names = range(0,50)：表示以[0…49]为列索引的名字
不与header=0共同使用：
>>> df = pd.read_csv(r"E:\Python学习\test.csv", names=['姓名', '年龄'])
>>> print(df)
姓名 年龄
0 name age
1 小红 10
2 小明 20
3 小白 30
与header=0共同使用：
>>> df = pd.read_csv(r"E:\Python学习\test.csv", header=0, names=['姓名', '年龄']) >>> print(df) 姓名 年龄 0 小红 10 1 小明 20 2 小白 30
2. to_csv()
格式代码：
pd.to_csv(path_or_buf,sep,na_rep,columns,header,index)
常用参数：
path_or_buf：str：放文件名、相对路径、文件流等。
sep：分隔符。与read_csv()中sep参数意思一样。
na_rep：将NaN转换为特定值。
columns：指定哪些列写进去。
header；默认header=0，如果没有表头，设置header=None。
index：关于索引的，默认True，写入索引。
（1）写入csv文件：
>>> import pandas as pd
>>>
>>> data = [{'A': 1, 'B': 2}, {'A': 3, 'B': 4, 'C': 5}]
>>> df = pd.DataFrame(data)
>>> print(df)
A B C
0 1 2 NaN
1 3 4 5.0
>>> print(type(df))
<class 'pandas.core.frame.DataFrame'>
>>> df.to_csv('test1.csv')
>>>
可以看到生成了新文件：
我们读取看看：
>>> df1 = pd.read_csv(r"test1.csv", header=0, encoding="utf-8") >>> print(df1) A B C 0 1 2 NaN 1 3 4 5.0
（2）写入txt文件：
>>> data = [{'A': 1, 'B': 2}, {'A': 3, 'B': 4, 'C': 5}]
>>> df = pd.DataFrame(data)
>>> df.to_csv('test1.txt')
生成新文件：
sep
设置分隔符
>>> data = [{'A': 1, 'B': 2}, {'A': 3, 'B': 4, 'C': 5}]
>>> df = pd.DataFrame(data)
>>> df.to_csv('test2.csv', sep=';') # 设置;号为分割符
可以看到分隔符为分号：
na_rep
na_rep：将NaN转换为特定值。
>>> data = [{'A': 1, 'B': 2}, {'A': 3, 'B': 4, 'C': 5}]
>>> df = pd.DataFrame(data)
>>> df.to_csv('test3.csv', na_rep='100') # 空值替换为100
>>>
>>> df1 = pd.read_csv('test3.csv')
>>> print(df1)
Unnamed: 0 A B C
0 0 1 2 100.0
1 1 3 4 5.0
columns
columns：指定哪些列写进去。
>>> data = [{'A': 1, 'B': 2}, {'A': 3, 'B': 4, 'C': 5}]
>>> df = pd.DataFrame(data)
>>> df.to_csv('test4.csv', columns=['A','B']) # 只写入A、B列
>>>
>>> df1 = pd.read_csv('test4.csv')
>>> print(df1)
Unnamed: 0 A B
0 0 1 2
1 1 3 4
header
header；默认header=0，如果没有表头，设置header=None。
>>> data = [{'A': 1, 'B': 2}, {'A': 3, 'B': 4, 'C': 5}]
>>> df = pd.DataFrame(data)
>>> df.to_csv('test5.csv', header=None)
>>>
>>> df1 = pd.read_csv('test5.csv')
>>> print(df1)
0 1 2 Unnamed: 3
0 1 3 4 5.0
index
index：关于索引的，默认True，写入索引
不保留索引：
>>> data = [{'A': 1, 'B': 2}, {'A': 3, 'B': 4, 'C': 5}]
>>> df = pd.DataFrame(data)
>>> df.to_csv('test6.csv', index=False)
>>>
>>> df1 = pd.read_csv('test6.csv')
>>> print(df1)
A B C
0 1 2 NaN
1 3 4 5.0
以上就是Python Pandas读写txt和csv文件的方法详解的详细内容，更多关于Python Pandas读写txt csv的资料请关注脚本之家其它相关文章！
相关文章
这篇文章主要为大家详细介绍了python Django批量导入数据的相关资料感兴趣的小伙伴们可以参考一下2016-03-03
通俗的讲解深度学习中CUDA,cudatookit,cudnn和pytorch的关系
有些刚入行的朋友总是搞不清楚CUDA,cudatookit,cudnn和pytorch的关系,那么今天这篇文章用通俗易懂的话讲解了他们之间的关系,需要的朋友可以参考下,相信会对你有所帮助2023-03-03
Pandas是数据科学中的利器,你可能想到的数据处理骚操作,貌似用Pandas都能够实现,下面这篇文章主要给大家介绍了关于python pandas数据处理之删除特定行与列的相关资料,文中通过实例代码介绍的非常详细,需要的朋友可以参考下2022-08-08
Python socket连接中的粘包、精确传输问题实例分析
这篇文章主要介绍了Python socket连接中的粘包、精确传输问题,结合实例形式分析了Python socket连接中的粘包、精确传输相关问题原因、解决方案与操作注意事项,需要的朋友可以参考下2020-03-03
这篇文章主要介绍了Python数据分析之pandas函数详解,文中有非常详细的代码示例,对正在学习python的pandas函数的小伙伴们有很好地帮助,需要的朋友可以参考下2021-04-04
这篇文章主要介绍了关于Python的json字符串与json模块解读,JSON采用完全独立于语言的文本格式，但是也使用了类似于C语言家族的习惯（包括C, C++, C#, Java, JavaScript, Perl, Python等）,这些特性使JSON成为理想的数据交换语言,需要的朋友可以参考下2023-07-07
这篇文章主要介绍了Python生成密码库功能,涉及Python基于随机字符串实现的生成密码功能相关操作技巧,需要的朋友可以参考下2017-05-05
今天小编就为大家分享一篇python 获取页面表格数据存放到csv中的方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2018-12-12
本篇文章主要介绍了详解tensorflow实现迁移学习实例，小编觉得挺不错的，现在分享给大家，也给大家做个参考。一起跟随小编过来看看吧2018-02-02
python的int型最大值和系统有关，32位和64位系统结果是不同的，分别为2的31次方减1和2的63次方减1，可以通过sys.maxint查看此值2013-02-02
最新评论