web-dev-qa-db-ja.com

pandas read_csvおよびusecolsを使用した列のフィルター処理

usecolsで列をフィルターし、複数のインデックスを使用すると、pandas.read_csvで正しく入力されないcsvファイルがあります。

import pandas as pd
csv = r"""dummy,date,loc,x
   bar,20090101,a,1
   bar,20090102,a,3
   bar,20090103,a,5
   bar,20090101,b,1
   bar,20090102,b,3
   bar,20090103,b,5"""

f = open('foo.csv', 'w')
f.write(csv)
f.close()

df1 = pd.read_csv('foo.csv',
        header=0,
        names=["dummy", "date", "loc", "x"], 
        index_col=["date", "loc"], 
        usecols=["dummy", "date", "loc", "x"],
        parse_dates=["date"])
print df1

# Ignore the dummy columns
df2 = pd.read_csv('foo.csv', 
        index_col=["date", "loc"], 
        usecols=["date", "loc", "x"], # <----------- Changed
        parse_dates=["date"],
        header=0,
        names=["dummy", "date", "loc", "x"])
print df2

Df1とdf2は、ダミー列がないことを除いて同じであるはずですが、列のラベルが間違っています。また、日付は日付として解析されます。

In [118]: %run test.py
               dummy  x
date       loc
2009-01-01 a     bar  1
2009-01-02 a     bar  3
2009-01-03 a     bar  5
2009-01-01 b     bar  1
2009-01-02 b     bar  3
2009-01-03 b     bar  5
              date
date loc
a    1    20090101
     3    20090102
     5    20090103
b    1    20090101
     3    20090102
     5    20090103

名前の代わりに列番号を使用すると、同じ問題が発生します。 read_csvステップの後にダミー列をドロップすることで問題を回避できますが、何が間違っているのかを理解しようとしています。 pandas 0.10.1を使用しています。

編集:不正なヘッダーの使用を修正しました。

71
chip

@chipによる答えは、2つのキーワード引数のポイントを見逃しています。

  • namesは、ヘッダーがなく、整数インデックスではなく列名を使用して他の引数を指定する場合にのみ必要です。
  • secolsは、DataFrame全体をメモリに読み込む前にフィルターを提供することになっています。適切に使用すれば、読み取り後に列を削除する必要はありません。

このソリューションは、これらの奇妙な点を修正します。

import pandas as pd
from StringIO import StringIO

csv = r"""dummy,date,loc,x
bar,20090101,a,1
bar,20090102,a,3
bar,20090103,a,5
bar,20090101,b,1
bar,20090102,b,3
bar,20090103,b,5"""

df = pd.read_csv(StringIO(csv),
        header=0,
        index_col=["date", "loc"], 
        usecols=["date", "loc", "x"],
        parse_dates=["date"])

それは私たちに与えます:

                x
date       loc
2009-01-01 a    1
2009-01-02 a    3
2009-01-03 a    5
2009-01-01 b    1
2009-01-02 b    3
2009-01-03 b    5
81
Mack

このコードは、あなたが望むものを達成します---奇妙で確かにバグがあります:

私は次の場合に機能することを観察しました:

a)index_col relを指定します。実際に使用する列の数-したがって、この例では4列ではなく3列です(dummyをドロップし、それ以降からカウントを開始します)

b)parse_datesについても同じ

c)usecolsにはそうではない;)明白な理由

d)ここで、namesをこの動作を反映するように調整しました

import pandas as pd
from StringIO import StringIO

csv = """dummy,date,loc,x
bar,20090101,a,1
bar,20090102,a,3
bar,20090103,a,5
bar,20090101,b,1
bar,20090102,b,3
bar,20090103,b,5
"""

df = pd.read_csv(StringIO(csv),
        index_col=[0,1],
        usecols=[1,2,3], 
        parse_dates=[0],
        header=0,
        names=["date", "loc", "", "x"])

print df

印刷する

                x
date       loc   
2009-01-01 a    1
2009-01-02 a    3
2009-01-03 a    5
2009-01-01 b    1
2009-01-02 b    3
2009-01-03 b    5
20

Csvファイルに余分なデータが含まれる場合、インポート後にDataFrameから deleted の列を作成できます。

import pandas as pd
from StringIO import StringIO

csv = r"""dummy,date,loc,x
bar,20090101,a,1
bar,20090102,a,3
bar,20090103,a,5
bar,20090101,b,1
bar,20090102,b,3
bar,20090103,b,5"""

df = pd.read_csv(StringIO(csv),
        index_col=["date", "loc"], 
        usecols=["dummy", "date", "loc", "x"],
        parse_dates=["date"],
        header=0,
        names=["dummy", "date", "loc", "x"])
del df['dummy']

それは私たちに与えます:

                x
date       loc
2009-01-01 a    1
2009-01-02 a    3
2009-01-03 a    5
2009-01-01 b    1
2009-01-02 b    3
2009-01-03 b    5
8
chip

index_col=Falseパラメータを追加するだけです

df1 = pd.read_csv('foo.csv',
     header=0,
     index_col=False,
     names=["dummy", "date", "loc", "x"], 
     index_col=["date", "loc"], 
     usecols=["dummy", "date", "loc", "x"],
     parse_dates=["date"])
  print df1
0
Auday Berro