Les fichiers CSV sont des fichiers séparés par des virgules. Pour accéder aux données du fichier CSV, nous avons besoin d'une fonction read_csv() de Pandas qui récupère les données sous la forme d'une trame de données.
Syntaxe de read_csv()
Voici la Les pandas lisent CSV syntaxe avec ses paramètres.
Syntaxe : pd.read_csv (filepath_or_buffer, sep=' ,' , header='infer', index_col=None, usecols=None, engine=None, skiprows=None, nrows=None)
Paramètres:
- chemin_fichier_ou_buffer : Emplacement du fichier csv. Il accepte n’importe quel chemin de chaîne ou URL du fichier.
- sep : Cela signifie séparateur, la valeur par défaut est ', '.
- entête : Il accepte les int, une liste d'int, les numéros de ligne à utiliser comme noms de colonnes et le début des données. Si aucun nom n'est transmis, c'est-à-dire header=None, alors la première colonne sera affichée avec 0, la seconde avec 1, et ainsi de suite.
- utiliser les cols : Récupère uniquement les colonnes sélectionnées du fichier CSV.
- nrows : Nombre de lignes à afficher à partir de l'ensemble de données.
- index_col : Si Aucun, aucun numéro d'index n'est affiché avec les enregistrements.
- skiprows : ignore les lignes transmises dans le nouveau bloc de données.
Lire le fichier CSV à l'aide de Pandas read_csv
Avant d'utiliser cette fonction, nous devons importer le Pandas bibliothèque, nous chargerons le fichier CSV en utilisant Pandas.
PYTHON3
: en java
# Import pandas> import> pandas as pd> # reading csv file> df>=> pd.read_csv(>'people.csv'>)> print>(df.head())> |
>
>
Sortir:
First Name Last Name Sex Email Date of birth Job Title 0 Shelby Terrell Male [email protected] 1945-10-26 Games developer 1 Phillip Summers Female [email protected] 1910-03-24 Phytotherapist 2 Kristine Travis Male [email protected] 1992-07-02 Homeopath 3 Yesenia Martinez Male [email protected] 2017-08-03 Market researcher 4 Lori Todd Male [email protected] 1938-12-01 Veterinary surgeon>
En utilisant sep dans read_csv()
Dans cet exemple, nous prendrons un fichier CSV puis ajouterons quelques caractères spéciaux pour voir comment le sep Le paramètre fonctionne.
Python3
# sample = 'totalbill_tip, sex:smoker, day_time, size> # 16.99, 1.01:Female|No, Sun, Dinner, 2> # 10.34, 1.66, Male, No|Sun:Dinner, 3> # 21.01:3.5_Male, No:Sun, Dinner, 3> #23.68, 3.31, Male|No, Sun_Dinner, 2> # 24.59:3.61, Female_No, Sun, Dinner, 4> # 25.29, 4.71|Male, No:Sun, Dinner, 4'> # Importing pandas library> import> pandas as pd> # Load the data of csv> df>=> pd.read_csv(>'sample.csv'>,> >sep>=>'[:, |_]'>,> >engine>=>'python'>)> # Print the Dataframe> print>(df)> |
>
>
Sortir:
totalbill tip Unnamed: 2 sex smoker Unnamed: 5 day time Unnamed: 8 size 16.99 NaN 1.01 Female No NaN Sun NaN Dinner NaN 2 10.34 NaN 1.66 NaN Male NaN No Sun Dinner NaN 3 21.01 3.50 Male NaN No Sun NaN Dinner NaN 3.0 None 23.68 NaN 3.31 NaN Male No NaN Sun Dinner NaN 2 24.59 3.61 NaN Female No NaN Sun NaN Dinner NaN 2 25.29 NaN 4.71 Male NaN No Sun NaN Dinner NaN 4>
Utiliser usecols dans read_csv()
Ici, nous spécifions seulement 3 colonnes, c'est-à-dire [Prénom, Sexe, Email] à charger et nous utilisons l'en-tête 0 comme en-tête par défaut.
Python3
df>=> pd.read_csv(>'people.csv'>,> >header>=>0>,> >usecols>=>[>'First Name'>,>'Sex'>,>'Email'>])> # printing dataframe> print>(df.head())> |
>
>
Sortir:
First Name Sex Email 0 Shelby Male [email protected] 1 Phillip Female [email protected] 2 Kristine Male [email protected] 3 Yesenia Male [email protected] 4 Lori Male [email protected]>
Utiliser index_col dans read_csv()
Ici, nous utilisons le Sexe indexer d'abord, puis le Titre d'emploi index, on peut simplement réindexer l'en-tête avec index_col paramètre.
Python3
cout
df>=> pd.read_csv(>'people.csv'>,> >header>=>0>,> >index_col>=>[>'Sex'>,>'Job Title'>],> >usecols>=>[>'Sex'>,>'Job Title'>,>'Email'>])> print>(df.head())> |
>
>
Sortir:
Email Sex Job Title Male Games developer [email protected] Female Phytotherapist [email protected] Male Homeopath [email protected] Market researcher [email protected] Veterinary surgeon [email protected]>
Utilisation de nrows dans read_csv()
Ici, nous affichons simplement seulement 5 lignes en utilisant paramètre nrows .
Python3
c tableau de chaînes
df>=> pd.read_csv(>'people.csv'>,> >header>=>0>,> >index_col>=>[>'Sex'>,>'Job Title'>],> >usecols>=>[>'Sex'>,>'Job Title'>,>'Email'>],> >nrows>=>3>)> print>(df)> |
>
>
Sortir:
Email Sex Job Title Male Games developer [email protected] Female Phytotherapist [email protected] Male Homeopath [email protected]>
Utiliser des skiprows dans read_csv()
Le skiprows aide à ignorer certaines lignes dans CSV, c'est-à-dire que vous observerez ici que les lignes mentionnées dans les sauts de lignes ont été ignorées de l'ensemble de données d'origine.
Python3
df>=> pd.read_csv(>'people.csv'>)> print>(>'Previous Dataset: '>)> print>(df)> # using skiprows> df>=> pd.read_csv(>'people.csv'>, skiprows>=> [>1>,>5>])> print>(>'Dataset After skipping rows: '>)> print>(df)> |
>
>
Sortir:
Previous Dataset: First Name Last Name Sex Email Date of birth Job Title 0 Shelby Terrell Male [email protected] 1945-10-26 Games developer 1 Phillip Summers Female [email protected] 1910-03-24 Phytotherapist 2 Kristine Travis Male [email protected] 1992-07-02 Homeopath 3 Yesenia Martinez Male [email protected] 2017-08-03 Market researcher 4 Lori Todd Male [email protected] 1938-12-01 Veterinary surgeon 5 Erin Day Male [email protected] 2015-10-28 Management officer 6 Katherine Buck Female [email protected] 1989-01-22 Analyst 7 Ricardo Hinton Male [email protected] 1924-03-26 Hydrogeologist Dataset After skipping rows: First Name Last Name Sex Email Date of birth Job Title 0 Shelby Terrell Male [email protected] 1945-10-26 Games developer 1 Kristine Travis Male [email protected] 1992-07-02 Homeopath 2 Yesenia Martinez Male [email protected] 2017-08-03 Market researcher 3 Lori Todd Male [email protected] 1938-12-01 Veterinary surgeon 4 Katherine Buck Female [email protected] 1989-01-22 Analyst 5 Ricardo Hinton Male [email protected] 1924-03-26 Hydrogeologist>