pandalar read_csv ve usecols ile sütunları filtreleme

pandas.read_csvSütunları filtrelediğimde usecolsve birden çok dizin kullandığımda doğru şekilde gelmeyen bir csv dosyam var.

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

Eksik sahte sütun dışında df1 ve df2'nin aynı olmasını bekliyorum, ancak sütunlar yanlış etiketlenmiş olarak geliyor. Ayrıca tarih, tarih olarak ayrıştırılıyor.

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

İsimler yerine sütun numaraları kullanmak da bana aynı sorunu veriyor. Read_csv adımından sonra kukla sütunu bırakarak sorunu çözebilirim, ancak neyin yanlış gittiğini anlamaya çalışıyorum. Pandalar 0.10.1 kullanıyorum.

düzenleme: hatalı başlık kullanımı düzeltildi.

@Chip'in cevabı, iki anahtar kelime argümanının amacını tamamen kaçırıyor.

• adlar yalnızca başlık olmadığında ve tamsayı indeksleri yerine sütun adlarını kullanarak diğer argümanları belirtmek istediğinizde gereklidir.
• usecols'un tüm DataFrame'i belleğe okumadan önce bir filtre sağlaması beklenir; düzgün kullanılırsa, okuduktan sonra sütunların silinmesine asla gerek olmamalıdır.

Bu çözüm şu tuhaflıkları düzeltir:

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"])

Bu bize şunu verir:

                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

Bu kod istediğiniz şeyi başarır - ayrıca tuhaf ve kesinlikle hatalı:

Şu durumlarda işe yaradığını gözlemledim:

a) index_colrel belirtirsiniz . gerçekten kullandığınız sütunların sayısına - yani bu örnekteki üç sütun, dört değil (düşer dummyve o andan itibaren saymaya başlarsınız)

b) aynı parse_dates

c) öyle değil usecols;) bariz nedenlerle

d) burada namesbu davranışı yansıtmak için uyarladım

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

hangi baskılar

                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

Csv dosyanız fazladan veri içeriyorsa, içe aktarmanın ardından sütunlar DataFrame'den silinebilir .

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']

Bu bize şunu verir:

                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

Sadece index_col=Falseparametreyi eklemelisiniz

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

önce csv'yi içe aktarın ve csv.DictReader'ı kullanın, işlenmesi kolaydır ...