要将csv和tsv文件读取为pandas.DataFrame格式，可以使用Pandas的函数read_csv（）或read_table（）。
在此
对以上的内容进行说明。
函数pd.read_csv（）和pd.read_table（）的内容相同，只是默认分隔符不同。
在read_csv（）中，定界符为,，在read_table（）中，定界符为\ t。
查看源代码，它调用相同的函数。
read_csv = _make_parser_function('read_csv', sep=',')
read_csv = Appender(_read_csv_doc)(read_csv)
read_table = _make_parser_function('read_table', sep='\t')
read_table = Appender(_read_table_doc)(read_table)
如果要读取csv文件（以逗号分隔），使用函数read_csv（），如果要读取tsv文件（以制表符分隔），使用函数read_table（）也可以。
如果既不是逗号也不是制表符，则可以通过参数（sep或delimiter）设置区分符。
以下，将使用说明read_csv（），但是对read_table也是如此。
读取以下不带标题的csv文件。
11,12,13,14
21,22,23,24
31,32,33,34
如果未设置任何参数，则将第一行识别为标题并将自动分配列名columns。
df = pd.read_csv('./data/03/sample.csv')
print(df)
# 11 12 13 14
# 0 21 22 23 24
# 1 31 32 33 34
print(df.columns)
# Index(['11', '12', '13', '14'], dtype='object')
如果header = None，则将为列名列分配一个序号。
df_none = pd.read_csv('./data/03/sample.csv', header=None)
print(df_none)
# 0 1 2 3
# 0 11 12 13 14
# 1 21 22 23 24
# 2 31 32 33 34
可以将任意值设置为列名，参数为name=（‘A’，‘B’，‘C’，‘D’）。通过列表或元组指定。
df_names = pd.read_csv('./data/03/sample.csv', names=('A', 'B', 'C', 'D'))
print(df_names)
# A B C D
# 0 11 12 13 14
# 1 21 22 23 24
# 2 31 32 33 34
读取以下带标头的csv文件。
a,b,c,d
11,12,13,14
21,22,23,24
31,32,33,34
指定标题的行号从0开始，例如header = 0。由于默认值为header = 0，因此如果第一行是header，则可以获得相同的结果。
df_header = pd.read_csv('./data/03/sample_header.csv')
print(df_header)
# a b c d
# 0 11 12 13 14
# 1 21 22 23 24
# 2 31 32 33 34
df_header_0 = pd.read_csv('./data/03/sample_header.csv', header=0)
print(df_header_0)
# a b c d
# 0 11 12 13 14
# 1 21 22 23 24
# 2 31 32 33 34
使用header进行起始行的读取指定。
df_header_2 = pd.read_csv('./data/03/sample_header.csv', header=2)
print(df_header_2)
# 21 22 23 24
# 0 31 32 33 34
读取以下带有标题和索引（标题列）的csv文件。
,a,b,c,d ONE,11,12,13,14 TWO,21,22,23,24 THREE,31,32,33,34
如果未指定任何内容，则不会识别索引列。
df_header_index = pd.read_csv('./data/03/sample_header_index.csv')
print(df_header_index)
# Unnamed: 0 a b c d
# 0 ONE 11 12 13 14
# 1 TWO 21 22 23 24
# 2 THREE 31 32 33 34
print(df_header_index.index)
# RangeIndex(start=0, stop=3, step=1)
指定要用作索引的列的列号，从0开始，例如index_col = 0。
df_header_index_col = pd.read_csv('./data/03/sample_header_index.csv',
index_col=0)
print(df_header_index_col)
# a b c d
# ONE 11 12 13 14
# TWO 21 22 23 24
# THREE 31 32 33 34
print(df_header_index_col.index)
# Index(['ONE', 'TWO', 'THREE'], dtype='object')
要仅读取特定的列，请使用usecols参数。 指定要在列表中读取的列号。即使只有一列，也要使用列表。
df_none_usecols = pd.read_csv('./data/03/sample.csv',
header=None, usecols=[1, 3])
print(df_none_usecols)
# 1 3
# 0 12 14
# 1 22 24
# 2 32 34
df_none_usecols = pd.read_csv('./data/03/sample.csv',
header=None, usecols=[2])
print(df_none_usecols)
# 2
# 0 13
# 1 23
# 2 33
也可以按列名而不是列号指定。
df_header_usecols = pd.read_csv('./data/03/sample_header.csv',
usecols=['a', 'c'])
print(df_header_usecols)
# a c
# 0 11 13
# 1 21 23
# 2 31 33
在没有特定列的情况下时，使用匿名函数（lambda表达式）很方便。尤其是当您要从具有许多列的文件中排除少量列并读取它们时，比指定要读取的大量列号要容易得多。
df_header_usecols = pd.read_csv('./data/03/sample_header.csv',
usecols=lambda x: x is not 'b')
print(df_header_usecols)
# a c d
# 0 11 13 14
# 1 21 23 24
# 2 31 33 34
df_header_usecols = pd.read_csv('./data/03/sample_header.csv',
usecols=lambda x: x not in ['a', 'c'])
print(df_header_usecols)
# b d
# 0 12 14
# 1 22 24
# 2 32 34
当与index_col一起使用时，由index_col指定的列也必须由usecols指定。
df_index_usecols = pd.read_csv('./data/03/sample_header_index.csv',
index_col=0, usecols=[0, 1, 3])
print(df_index_usecols)
# a c
# ONE 11 13
# TWO 21 23
# THREE 31 33
要跳过（排除）特定行并读取它们，使用参数skipprows。 如果将整数传递给跳过行，那么将跳过那么多行的文件开头。
df_none = pd.read_csv('./data/03/sample.csv', header=None)
print(df_none)
# 0 1 2 3
# 0 11 12 13 14
# 1 21 22 23 24
# 2 31 32 33 34
df_none = pd.read_csv('./data/03/sample.csv', header=None, skiprows=2)
print(df_none)
# 0 1 2 3
# 0 31 32 33 34
可以指定要跳过的行号列表。与usecols不同，指定要跳过的行，而不是要读取的行。 即使在一行中也要使用列表。
df_none_skiprows = pd.read_csv('./data/03/sample.csv',
header=None, skiprows=[0, 2])
print(df_none_skiprows)
# 0 1 2 3
# 0 21 22 23 24
df_none_skiprows = pd.read_csv('./data/03/sample.csv',
header=None, skiprows=[1])
print(df_none_skiprows)
# 0 1 2 3
# 0 11 12 13 14
# 1 31 32 33 34
仅读取特定行时，使用匿名函数（lambda表达式）会很方便。特别是当您只想从文件中读取多行的特定行时，比指定要跳过的行数要容易得多。
df_none_skiprows = pd.read_csv('./data/03/sample.csv', header=None,
skiprows=lambda x: x not in [0, 2])
print(df_none_skiprows)
# 0 1 2 3
# 0 11 12 13 14
# 1 31 32 33 34
请注意，如果文件具有标题，则还需要考虑标题行。
df_header_skiprows = pd.read_csv('./data/03/sample_header.csv', skiprows=[1])
print(df_header_skiprows)
# a b c d
# 0 21 22 23 24
# 1 31 32 33 34
df_header_skiprows = pd.read_csv('./data/03/sample_header.csv', skiprows=[0, 3])
print(df_header_skiprows)
# 11 12 13 14
# 0 21 22 23 24
请注意，即使指定了索引，也无法通过行名指定skipprows。
要跳过文件的末尾，请使用skipfooter参数。将要跳过的行数指定为整数。 根据环境的不同，会出现以下警告，因此请指定参数engine =‘python’。
ParserWarning: Falling back to the 'python' engine because the 'c' engine does not support skipfooter; you can avoid this warning by specifying engine='python'.
df_none_skipfooter = pd.read_csv('./data/03/sample.csv', header=None,
skipfooter=1, engine='python')
print(df_none_skipfooter)
# 0 1 2 3
# 0 11 12 13 14
# 1 21 22 23 24
也可以只阅读前几行。使用参数nrows。 当想检查大文件的数据时很有用。
df_none_nrows = pd.read_csv('./data/03/sample.csv', header=None, nrows=2)
print(df_none_nrows)
# 0 1 2 3
# 0 11 12 13 14
# 1 21 22 23 24
在pandas.DataFrame中，为每一列设置类型dtype，可以使用astype（）方法对其进行转换（转换）。
以下文件为例。
,a,b,c,d ONE,1,"001",100,x TWO,2,"020",,y THREE,3,"300",300,z
默认情况下，以0开头的数字序列（无论是否带引号）都被视为数字，而不是字符串，并且省略前导零。
df_default = pd.read_csv('./data/03/sample_header_index_dtype.csv', index_col=0)
print(df_default)
# a b c d
# ONE 1 1 100.0 x
# TWO 2 20 NaN y
# THREE 3 300 300.0 z
print(df_default.dtypes)
# a int64
# b int64
# c float64
# d object
# dtype: object
print(df_default.applymap(type))
# a b c d
# ONE <class 'int'> <class 'int'> <class 'float'> <class 'str'>
# TWO <class 'int'> <class 'int'> <class 'float'> <class 'str'>
# THREE <class 'int'> <class 'int'> <class 'float'> <class 'str'>
如果要作为包含前导0的字符串进行处理，请指定read_csv（）的参数dtype。
如果在参数dtype中指定了任意数据类型，则包括index_col指定的列在内的所有列都将转换为该类型并读取。例如，如果dtype = str，则所有列都强制转换为字符串。但是，同样在这种情况下，缺少的值是浮点类型。
df_str = pd.read_csv('./data/03/sample_header_index_dtype.csv',
index_col=0,dtype=str)
print(df_str)
# a b c d
# ONE 1 001 100 x
# TWO 2 020 NaN y
# THREE 3 300 300 z
print(df_str.dtypes)
# a object
# b object
# c object
# d object
# dtype: object
print(df_str.applymap(type))
# a b c d
# ONE <class 'str'> <class 'str'> <class 'str'> <class 'str'>
# TWO <class 'str'> <class 'str'> <class 'float'> <class 'str'>
# THREE <class 'str'> <class 'str'> <class 'str'> <class 'str'>
dtype = object也是如此。
df_object = pd.read_csv('./data/03/sample_header_index_dtype.csv',
index_col=0, dtype=object)
print(df_object)
# a b c d
# ONE 1 001 100 x
# TWO 2 020 NaN y
# THREE 3 300 300 z
print(df_object.dtypes)
# a object
# b object
# c object
# d object
# dtype: object
print(df_object.applymap(type))
# a b c d
# ONE <class 'str'> <class 'str'> <class 'str'> <class 'str'>
# TWO <class 'str'> <class 'str'> <class 'float'> <class 'str'>
# THREE <class 'str'> <class 'str'> <class 'str'> <class 'str'>
请注意，在参数dtype中指定无法转换的类型将导致错误。在此示例中，将由index_col指定的字符串的索引列转换为整数int类型时发生错误。
# df_int = pd.read_csv('data/src/sample_header_index_dtype.csv',
# index_col=0, dtype=int)
# ValueError: invalid literal for int() with base 10: 'ONE'
要在读取后转换pandas.DataFrame的列类型，请在astype（）方法中以字典格式指定它。
df_str_cast = df_str.astype({'a': int})
print(df_str_cast)
# a b c d
# ONE 1 001 100 x
# TWO 2 020 NaN y
# THREE 3 300 300 z
print(df_str_cast.dtypes)
# a int64
# b object
# c object
# d object
# dtype: object
使用read_csv（）进行读取时，可以在字典格式中的参数dtype中指定列类型。将自动选择除指定列以外的其他类型。
df_str_col = pd.read_csv('./data/03/sample_header_index_dtype.csv',
index_col=0, dtype={'b': str, 'c': str})
print(df_str_col)
# a b c d
# ONE 1 001 100 x
# TWO 2 020 NaN y
# THREE 3 300 300 z
print(df_str_col.dtypes)
# a int64
# b object
# c object
# d object
# dtype: object
不仅可以指定列名，还可以指定列号。注意，在指定索引列时，必须指定包括索引列的列号。
df_str_col_num = pd.read_csv('./data/03/sample_header_index_dtype.csv',
index_col=0, dtype={2: str, 3: str})
print(df_str_col_num)
# a b c d
# ONE 1 001 100 x
# TWO 2 020 NaN y
# THREE 3 300 300 z
print(df_str_col_num.dtypes)
# a int64
# b object
# c object
# d object
# dtype: object
默认情况下，read_csv（）和read_table（）将某些值视为缺少的NaN。
默认情况下，可能的值（例如空字符串”，字符串“ NaN”，“ nan”和null）通常默认为缺少NaN，如下所示：
By default the following values are interpreted as NaN: ‘', ‘#N/A', ‘#N/A N/A', ‘#NA', ‘-1.#IND', ‘-1.#QNAN', ‘-NaN', ‘-nan', ‘1.#IND', ‘1.#QNAN', ‘N/A', ‘NA', ‘NULL', ‘NaN', ‘n/a', ‘nan', ‘null'.
以下文件为例检查操作。
,a,b ONE,,NaN TWO,-,nan THREE,null,N/A
特别是，如果您在默认情况下未设置任何参数而进行读取，并使用isnull（）方法对其进行了检查，则可以看到除“-”以外的其他非目标均被视为缺失值NaN。
df_nan = pd.read_csv('./data/03/sample_header_index_nan.csv', index_col=0)
print(df_nan)
# a b
# ONE NaN NaN
# TWO - NaN
# THREE NaN NaN
print(df_nan.isnull())
# a b
# ONE True True
# TWO False True
# THREE True True
要指定默认值以外的值，将其视为缺失值，使用参数na_values。
df_nan_set_na = pd.read_csv('./data/03/sample_header_index_nan.csv',
index_col=0, na_values='-')
print(df_nan_set_na)
# a b
# ONE NaN NaN
# TWO NaN NaN
# THREE NaN NaN
print(df_nan_set_na.isnull())
# a b
# ONE True True
# TWO True True
# THREE True True
如果在将参数keep_default_na设置为False之后为参数na_values指定值，则仅将为na_values指定的值视为缺失值。除非在na_values中指定，否则默认值不会被视为缺失值。
df_nan_set_na_no_keep = pd.read_csv('./data/03/sample_header_index_nan.csv',
index_col=0,
na_values=['-', 'NaN', 'null'],
keep_default_na=False)
print(df_nan_set_na_no_keep)
# a b
# ONE NaN
# TWO NaN nan
# THREE NaN N/A
print(df_nan_set_na_no_keep.isnull())
# a b
# ONE False True
# TWO True False
# THREE True False
如果参数na_filter设置为False，则无论参数na_values和keep_default_na的规格如何，所有值都将按原样读取，并且不会被视为缺失值。
df_nan_no_filter = pd.read_csv('./data/03/sample_header_index_nan.csv',
index_col=0, na_filter=False)
print(df_nan_no_filter)
# a b
# ONE NaN
# TWO - nan
# THREE null N/A
print(df_nan_no_filter.isnull())
# a b
# ONE False False
# TWO False False
# THREE False False
也可以按原样读取通过zip等压缩的csv文件。
df_zip = pd.read_csv('./data/03/sample_header.zip')
print(df_zip)
# a b c d
# 0 11 12 13 14
# 1 21 22 23 24
# 2 31 32 33 34
如果扩展名是.gz，.bz2，.zip，.xz，则会自动检测并扩展。如果扩展名不同，请在compression参数中显式指定字符串“ gz”，“ bz2”，“ zip”和“ xz”。
请注意，仅限压缩单个csv文件。如果压缩多个文件，则会发生错误。
在开始时所写的那样，如果要读取tsv文件（制表符分隔），则可以使用read_table（）。
对于如下文件
a b c d
ONE 11 12 13 14
TWO 21 22 23 24
THREE 31 32 33 34
参数与read_csv（）相同。
df_tsv = pd.read_table('./data/03/sample_header_index.tsv', index_col=0)
print(df_tsv)
# a b c d
# ONE 11 12 13 14
# TWO 21 22 23 24
# THREE 31 32 33 34
通过read_csv（）将制表符\t设置为区别符，也可以读取它。
df_tsv_sep = pd.read_csv('./data/03/sample_header_index.tsv',
index_col=0, sep='\t')
print(df_tsv_sep)
# a b c d
# ONE 11 12 13 14
# TWO 21 22 23 24
# THREE 31 32 33 34
