Python 利用pandas处理CSV文件（DataFrame的基础用法）

前面介绍过通过Python标准库中的CSV模块处理CSV文件：
Python 利用CSV模块处理数据

相比CSV模块，pandas的功能更加强大，本文将简单介绍如何通过pandas来处理CSV文件。

一、pandas简介

pandas是一个第三方数据分析库，其集成了大量的数据分析工具，可以方便的处理和分析各类数据。这是一个第三方库，使用下面的命令可以安装pandas:

pip install pandas

利用pandas处理CSV文件主要分为3步：

1. 通过read_csv()函数，将数据转化为pandas的DataFrame（数据帧）对象，这是一个二维数据对象，集成了大量数据处理方法。
2. 操作DataFrame对象，通过自带的方法，完成各种数据处理。
3. 通过DataFrame对象的to_csv()方法将数据写回CSV文件。

二、用法示例

我们先创建一个示例文件，将下面的数据拷贝到文件employees.csv中并保存：

emp_no,birth_date,first_name,last_name,gender,salary
1,1953-09-02,Georgi,Facello,M,1000
2,1964-06-02,Bezalel,Simmel,F,2000
3,1959-12-03,Parto,Bamford,M,3000
4,1954-05-01,Chirstian,Koblick,M,4000
5,1955-01-21,Kyoichi,Maliniak,M,5000
6,1953-04-20,Anneke,Preusig,F,6000
7,1957-05-23,Tzvetan,Zielinski,F,7000
8,1958-02-19,Saniya,Kalloufi,M,8000
9,1952-04-19,Sumant,Peac,F,9000

数据对应的excel格式，作为参考：

2.1 读取CSV文件

保证employees.csv文件在当前目录下（或提供文件的绝对路径也可以），例如示例文件保存在d:\dir1目录下，先切换到该目录下：

import os
os.chdir(r'd:\dir1')

pandas的read_csv函数可以读取CSV文件，并返回一个DataFrame对象，首次使用要先导入pandas模块，使用read_csv()函数读取csv文件，并将返回的DataFrame对象赋给变量名df：

import pandas as pd
df = pd.read_csv('employees.csv')
df

2.1.1 read_csv参数

read_csv()在读取过程中有很多自定义设置，上面的示例中只提供了文件名，其他参数都采用了默认值。根据数据格式的不同，可能需要对某些参数进行调整，read_csv函数的常用参数如下：

• sep/delimiter：分隔符，默认为逗号，相当于sep=‘,’，如果文件内容以非逗号分隔，需要显式指定此参数或者使用sep=None来让pandas自己判断分隔符。
• delim_whitespace：是否以空格作为分隔符，相当于sep=‘\s+’，当这个参数被设置为True时，不能使用sep参数。
• header：指定第几行作为列名，并指定数据的起始行，默认header=0，表示第1行作为列名（编号从0开始），数据从第二行开始。如果数据中没有列名，需要指定header=None，这样从第1行开始全部都会当成数据。
• names：用来自定义列名
• index_col：指定某一列作为行索引（默认是0开始的整数）
• usecols：选择列的子集，即只读取指定列

示例：仅选取部分列，只读取emp_no，first_name, salary 这3列，使用参数usecols指定这3列：

df1 = pd.read_csv('employees.csv', usecols=['emp_no', 'first_name', 'salary'])

自定义列名：读取数据并使用col1~col6定义列名，由于原数据第一行为列名，使用header=0指定第一行为列名，这样第一行不会被读作数据。然后使用names参数重新指定列名：

name_list = ['col1', 'col2', 'col3','col4','col5','col6'] 
df2 = pd.read_csv('employees.csv', header=0, names=name_list)

2.1.2 "坏行"的处理

很多时候我们得到数据格式并不规范，可能出现有些行数据缺失，有些行数据又多。read_csv函数在遇到数据缺失的列会自动用NaN（在pandas中代表空值）来填充（我们把文件中第七行的salary删除，重新读取后，可以看到会用自动用NaN填充）：

df2 = pd.read_csv('employees.csv')

但是对于数据列多的行，默认是报错的。在文件第8行后多加一列数据，提示解析错误，期望6列，但是有7列：

df3 = pd.read_csv('employees.csv')

对于这类错误，我们可以用on_bad_lines='skip’来跳过这些行，不影响其他数据的读取，从结果也上可以看到emp_no为8的数据被忽略了：

df3 = pd.read_csv('employees.csv', on_bad_lines='skip')

2.2 引用数据

在完成文件的读取后我们就获得了一个DataFrame对象，利用其自带的方法可以快速进行数据预处理，相对于使用Python代码，可以节约大量逻辑编写的时间。

对数据进行处理的第一步就是引用数据，pandas常用的数据引用方法有：

• 使用[]对数据进行引用
• 使用.loc属性通过标签对数据进行引用
• 使用.iloc属性通过位置对数据进行引用

2.2.1 位置索引和标签索引

在引用数据前先弄清楚位置索引和标签索引：

• 位置索引：行/列的位置编号，从0开始，公差为1的等差数列，0,1,2,3,4….，一定是数字
• 标签索引：行/列的"别名"，可以自定义。其中行的标签索引又叫"索引标签"，列的标签索引又叫"列标签"。
  标签索引如果未显式指定，则默认和位置索引相同。

例如下面的df，红框中的都是标签索引：

• 列标签是emp_no, birth_date ……，
• 索引标签由于未显式指定，所以和位置索引相同，为0,1,2,3,4….，但它不是位置索引。
  
  在标签索引中，可以通过df.index和df.columns属性来分别查看索引标签和列标签：

df.index
df.columns

通过给对应的属性赋值，可以改变标签，通过下面的例子可以直观看到，红框中的0,1,2,3…是索引标签，而不是位置标签：

df.index = [0,1,2,3,'a','b','c','d','e']

2.2.2 使用[]引用数据

使用df[‘列标签’]的格式，通过列标签可以引用数据列，例如选择frist_name列：

df['first_name']

如果要引用多个列，以列表的形式传入多个列，例如选择emp_no, first_name, last_name这3列：

df[['emp_no', 'first_name', 'last_name']]

使用df[start:stop:step]的格式，可以通过位置索引引用行，这和标准的Python切片语法相同（这里不详细介绍）：

df[0:4] # 注意[0:4]含头不含尾，即位置索引为0,1,2,3的行

df[::2]  # 每隔一行选择，start和stop省略代表全部，2代表步长

df[::-1] # 负的步长代表从结尾开始选择，-1即相当于倒序

2.2.3 使用.loc属性通过标签引用数据

使用[]的引用方式可能有些复杂，它在引用列的时候用的是标签索引，而在引用行的时候是位置索引。

pandas提供了更直观的.loc和.iloc属性：

• .loc专门使用标签索引来引用数据（分片含结尾）
• .iloc专门使用位置索引来引用数据（分片不含结尾）

使用df.loc[‘索引标签’, ‘列标签’]可以引用数据。标签之间用逗号分隔，标签内部的分片用冒号分隔，省略则代表全部。注意，.loc属性中的分片是包含结尾的，这和标准的python分片语法不同。

引用a行（返回的是pandas一维数据类型Series）：

df.loc['a']    # 列标签省略，代表所有列，相当于df.loc['a',:]

引用birth_date列：

df.loc[:,'birth_date']    # 行标签省略，代表所有行，用:占位

引用a-e行，及emp_no到last_name列，注意e行和last_name列都是包含在分片结果中的：

df.loc['a':'e', 'emp_no':'last_name']

引用a行，birth_date列的单一元素（没有分片）：

df.loc['a', 'birth_date']

2.2.4 使用.iloc属性通过位置引用数据

.iloc的使用方式和.loc很像，只是将索引标签换成了位置标签。语法为df.iloc[‘行位置索引’, ‘列位置索引’]，注意.iloc的分片是不包含结尾的（和python相同）。

引用第1，2行：

df.iloc[0:2]    # 引用行位置索引为0,1的行，2是不包含在结果中的，相当于df.iloc[0:2, :]

引用第1，2列：

df.iloc[:,0:2]    # 行位置索引的:表示全部行

引用1,2行的3,4列数据:

df.iloc[0:2, 2:4]

数据引用配合赋值符号’='，即可以修改DataFrame中的值，例如将emp_no为9的salary改为9999

df.loc['e', 'salary'] = 9999

其他的数据引用方式还有通过属性进行引用，但这种方式存在缺陷，不推荐，这里也不进行介绍。重点掌握.loc和.iloc的方法即可。

2.3 数据过滤

DataFrame的数据过滤非常方便，例如我要选择salary大于5000的数据，下面表达式即是salary列测试结果，由bool型数据组成：

df['salary']>5000

只需要将其再代入df，即可筛选出满足条件的数据：

df[ df['salary']>5000 ]

或者使用query方法，基于字符串形式的条件，直接过滤出结果：

df.query('salary>5000')

2.3 写回csv文件

完成数据处理后，使用DataFrame对象自带的to_csv方法来将数据写回文件，主要参数与read_csv类似：

• sep：分隔符，默认是逗号。
• columns：指定哪些列写入文件
• header：是否将标题写入文件，默认是True
• index：是否将行索引写入文件，默认是True

假设要将salary>5000的数据筛选出来后，重新写入一个CSV文件，你可以直接调用DataFrame的to_csv方法：

df_result = df.query('salary>5000')
df_result.to_csv('result.csv', index=False)

本文的案例只是展示了最简单及最常用的DataFrame数据处理方法，实际pandas的数据处理功能远远不止这些，有兴趣的同学可以自行深入探索。