为了测试一些功能,我想从一个字符串创建一个DataFrame。假设我的测试数据是这样的:
TESTDATA="""col1;col2;col3
1;4.4;99
2;4.5;200
3;4.7;65
4;3.2;140
"""
什么是最简单的方法读取数据到熊猫数据框架?
为了测试一些功能,我想从一个字符串创建一个DataFrame。假设我的测试数据是这样的:
TESTDATA="""col1;col2;col3
1;4.4;99
2;4.5;200
3;4.7;65
4;3.2;140
"""
什么是最简单的方法读取数据到熊猫数据框架?
当前回答
这个答案适用于手动输入字符串,而不是从其他地方读取字符串。
传统的可变宽度CSV对于将数据存储为字符串变量是不可读的。特别是在.py文件中使用时,请考虑固定宽度的管道分隔数据。各种ide和编辑器可能都有一个插件,可以将管道分隔的文本格式化为一个整洁的表格。
使用read_csv
将以下文件存储在一个实用模块中,例如util/pandas.py。函数的文档字符串中包含了一个示例。
import io
import re
import pandas as pd
def read_psv(str_input: str, **kwargs) -> pd.DataFrame:
"""Read a Pandas object from a pipe-separated table contained within a string.
Input example:
| int_score | ext_score | eligible |
| | 701 | True |
| 221.3 | 0 | False |
| | 576 | True |
| 300 | 600 | True |
The leading and trailing pipes are optional, but if one is present,
so must be the other.
`kwargs` are passed to `read_csv`. They must not include `sep`.
In PyCharm, the "Pipe Table Formatter" plugin has a "Format" feature that can
be used to neatly format a table.
Ref: https://stackoverflow.com/a/46471952/
"""
substitutions = [
('^ *', ''), # Remove leading spaces
(' *$', ''), # Remove trailing spaces
(r' *\| *', '|'), # Remove spaces between columns
]
if all(line.lstrip().startswith('|') and line.rstrip().endswith('|') for line in str_input.strip().split('\n')):
substitutions.extend([
(r'^\|', ''), # Remove redundant leading delimiter
(r'\|$', ''), # Remove redundant trailing delimiter
])
for pattern, replacement in substitutions:
str_input = re.sub(pattern, replacement, str_input, flags=re.MULTILINE)
return pd.read_csv(io.StringIO(str_input), sep='|', **kwargs)
非工作的替代品
下面的代码不能正常工作,因为它在左侧和右侧都添加了一个空列。
df = pd.read_csv(io.StringIO(df_str), sep=r'\s*\|\s*', engine='python')
至于read_fwf,它实际上并没有使用那么多read_csv接受和使用的可选kwarg。因此,它根本不应该用于管道分离的数据。
其他回答
一种简单的方法是使用StringIO。StringIO (python2)或io。StringIO (python3)并将其传递给pandas。read_csv函数。例句:
import sys
if sys.version_info[0] < 3:
from StringIO import StringIO
else:
from io import StringIO
import pandas as pd
TESTDATA = StringIO("""col1;col2;col3
1;4.4;99
2;4.5;200
3;4.7;65
4;3.2;140
""")
df = pd.read_csv(TESTDATA, sep=";")
这个答案适用于手动输入字符串,而不是从其他地方读取字符串。
传统的可变宽度CSV对于将数据存储为字符串变量是不可读的。特别是在.py文件中使用时,请考虑固定宽度的管道分隔数据。各种ide和编辑器可能都有一个插件,可以将管道分隔的文本格式化为一个整洁的表格。
使用read_csv
将以下文件存储在一个实用模块中,例如util/pandas.py。函数的文档字符串中包含了一个示例。
import io
import re
import pandas as pd
def read_psv(str_input: str, **kwargs) -> pd.DataFrame:
"""Read a Pandas object from a pipe-separated table contained within a string.
Input example:
| int_score | ext_score | eligible |
| | 701 | True |
| 221.3 | 0 | False |
| | 576 | True |
| 300 | 600 | True |
The leading and trailing pipes are optional, but if one is present,
so must be the other.
`kwargs` are passed to `read_csv`. They must not include `sep`.
In PyCharm, the "Pipe Table Formatter" plugin has a "Format" feature that can
be used to neatly format a table.
Ref: https://stackoverflow.com/a/46471952/
"""
substitutions = [
('^ *', ''), # Remove leading spaces
(' *$', ''), # Remove trailing spaces
(r' *\| *', '|'), # Remove spaces between columns
]
if all(line.lstrip().startswith('|') and line.rstrip().endswith('|') for line in str_input.strip().split('\n')):
substitutions.extend([
(r'^\|', ''), # Remove redundant leading delimiter
(r'\|$', ''), # Remove redundant trailing delimiter
])
for pattern, replacement in substitutions:
str_input = re.sub(pattern, replacement, str_input, flags=re.MULTILINE)
return pd.read_csv(io.StringIO(str_input), sep='|', **kwargs)
非工作的替代品
下面的代码不能正常工作,因为它在左侧和右侧都添加了一个空列。
df = pd.read_csv(io.StringIO(df_str), sep=r'\s*\|\s*', engine='python')
至于read_fwf,它实际上并没有使用那么多read_csv接受和使用的可选kwarg。因此,它根本不应该用于管道分离的数据。
对象:获取字符串make dataframe。
解决方案
def str2frame(estr, sep = ',', lineterm = '\n', set_header = True):
dat = [x.split(sep) for x in estr.split(lineterm)][1:-1]
df = pd.DataFrame(dat)
if set_header:
df = df.T.set_index(0, drop = True).T # flip, set ix, flip back
return df
例子
estr = """
sym,date,strike,genus
APPLE,20MAY20,50.0,Malus
ORANGE,22JUL20,50.0,Rutaceae
"""
df = str2frame(estr)
print(df)
0 sym date strike genus
1 APPLE 20MAY20 50.0 Malus
2 ORANGE 22JUL20 50.0 Rutaceae
Emample:
text = [ ['This is the NLP TASKS ARTICLE written by Anjum**'] ,['IN this article I”ll be explaining various DATA-CLEANING techniques '], ['So stay tuned for FURther More && '],['Nah I dont think he goes to usf ; he lives around']]
df = pd.DataFrame({'text':text})
输出
分割方法
data = input_string
df = pd.DataFrame([x.split(';') for x in data.split('\n')])
print(df)