IO 工具 (文本, CSV, HDF5, …)#

pandas 的 I/O API 是一组顶层 reader 函数,通过类似 pandas.read_csv() 的方式访问,它们通常返回一个 pandas 对象。相应的 writer 函数是对象方法,通过类似 DataFrame.to_csv() 的方式访问。下面是包含可用 readerswriters 的表格。

格式类型

数据描述

读取器

写入器

文本

CSV

read_csv

to_csv

文本

固定宽度文本文件

read_fwf

NA

文本

JSON

read_json

to_json

文本

HTML

read_html

to_html

文本

LaTeX

Styler.to_latex

NA

文本

XML

read_xml

to_xml

文本

本地剪贴板

read_clipboard

to_clipboard

二进制

MS Excel

read_excel

to_excel

二进制

OpenDocument

read_excel

NA

二进制

HDF5 格式

read_hdf

to_hdf

二进制

Feather 格式

read_feather

to_feather

二进制

Parquet 格式

read_parquet

to_parquet

二进制

ORC 格式

read_orc

to_orc

二进制

Stata

read_stata

to_stata

二进制

SAS

read_sas

NA

二进制

SPSS

read_spss

NA

二进制

Python Pickle 格式

read_pickle

to_pickle

SQL

SQL

read_sql

to_sql

SQL

Google BigQuery;:ref:read_gbq<io.bigquery>;:ref:to_gbq<io.bigquery>

这里是一些 IO 方法的非正式性能比较。

注意

对于使用 StringIO 类的示例,请确保在 Python 3 中使用 from io import StringIO 导入它。

CSV 和文本文件#

用于读取文本文件(又称平面文件)的主力函数是 read_csv()。有关一些高级策略,请参阅实用指南

解析选项#

read_csv() 接受以下常用参数

基本#

filepath_or_buffer多种类型

文件路径(str, pathlib.Path, 或 py:py._path.local.LocalPath)、URL(包括 http、ftp 和 S3 位置),或任何具有 read() 方法的对象(例如已打开的文件或 StringIO)。

sep字符串,read_csv() 默认为 ','read_table() 默认为 \t

要使用的分隔符。如果 sep 为 None,C 引擎无法自动检测分隔符,但 Python 解析引擎可以,这意味着将使用后者并通过 Python 内置的嗅探工具 csv.Sniffer 自动检测分隔符。此外,长度大于 1 且与 '\s+' 不同的分隔符将被解释为正则表达式,并且也将强制使用 Python 解析引擎。请注意,正则表达式分隔符容易忽略带引号的数据。正则表达式示例:'\\r\\t'

delimiter字符串,默认为 None

sep 的替代参数名称。

delim_whitespace布尔值,默认为 False

指定是否将空白字符(例如 ' ''\t')用作分隔符。等同于设置 sep='\s+'。如果此选项设置为 True,则不应为 delimiter 参数传入任何值。

列和索引位置与名称#

header整数或整数列表,默认为 'infer'

用作列名和数据起始行的行号。默认行为是推断列名:如果未传入名称,则行为与 header=0 相同,列名从文件的第一行推断;如果显式传入列名,则行为与 header=None 相同。显式传入 header=0 以替换现有名称。

头部可以是整数列表,用于指定列上 MultiIndex 的行位置,例如 [0,1,3]。未指定的中间行将被跳过(例如此示例中的 2 被跳过)。请注意,如果 skip_blank_lines=True,此参数会忽略注释行和空行,因此 header=0 表示数据的第一行,而不是文件的第一行。

names类数组,默认为 None

要使用的列名列表。如果文件不包含标题行,则应显式传入 header=None。此列表中不允许有重复项。

index_col整数、字符串、整数/字符串序列或 False,可选,默认为 None

用作 DataFrame 行标签的列,可以指定为字符串名称或列索引。如果给定整数/字符串序列,则使用 MultiIndex。

注意

index_col=False 可用于强制 pandas 使用第一列作为索引,例如当您的文件格式不正确,每行末尾都有分隔符时。

None 的默认值指示 pandas 进行猜测。如果列标题行中的字段数等于数据文件主体中的字段数,则使用默认索引。如果字段数更多,则将第一列用作索引,以使主体中剩余的字段数等于标题中的字段数。

标题后的第一行用于确定列数,这些列将进入索引。如果后续行包含的列少于第一行,则用 NaN 填充。

这可以通过 usecols 避免。这确保了列按原样使用,并忽略尾随数据。

usecols类列表或可调用对象,默认为 None

返回列的子集。如果是类列表,所有元素必须是位置性的(即文档列的整数索引)或与用户在 names 中提供或从文档标题行推断出的列名对应的字符串。如果给定 names,则不考虑文档标题行。例如,有效的类列表 usecols 参数可以是 [0, 1, 2]['foo', 'bar', 'baz']

元素顺序被忽略,因此 usecols=[0, 1][1, 0] 相同。要从 data 实例化并保留元素顺序的 DataFrame,对于 ['foo', 'bar'] 顺序的列,请使用 pd.read_csv(data, usecols=['foo', 'bar'])[['foo', 'bar']];对于 ['bar', 'foo'] 顺序的列,请使用 pd.read_csv(data, usecols=['foo', 'bar'])[['bar', 'foo']]

如果是可调用对象,则会针对列名评估可调用函数,返回可调用函数评估为 True 的名称。

In [1]: import pandas as pd

In [2]: from io import StringIO

In [3]: data = "col1,col2,col3\na,b,1\na,b,2\nc,d,3"

In [4]: pd.read_csv(StringIO(data))
Out[4]: 
  col1 col2  col3
0    a    b     1
1    a    b     2
2    c    d     3

In [5]: pd.read_csv(StringIO(data), usecols=lambda x: x.upper() in ["COL1", "COL3"])
Out[5]: 
  col1  col3
0    a     1
1    a     2
2    c     3

使用此参数时,如果使用 C 引擎,解析时间会大大加快,内存使用量也会降低。Python 引擎会先加载数据,然后才决定要删除哪些列。

通用解析配置#

dtype类型名称或列 -> 类型字典,默认为 None

数据或列的数据类型。例如 {'a': np.float64, 'b': np.int32, 'c': 'Int64'}。将 strobject 与合适的 na_values 设置一起使用,以保留而不解释 dtype。如果指定了转换器,它们将替代 dtype 转换被应用。

1.5.0 版新增: 增加了对 defaultdict 的支持。可以将 defaultdict 指定为输入,其中默认值决定了未显式列出的列的 dtype。

dtype_backend{"numpy_nullable", "pyarrow"},默认为 NumPy 支持的 DataFrame

要使用的 dtype_backend,例如 DataFrame 是否应该有 NumPy 数组,当设置为“numpy_nullable”时,所有具有可空实现的 dtype 都使用可空 dtype,如果设置为“pyarrow”,则所有 dtype 都使用 pyarrow。

dtype_backends 仍然是实验性的。

2.0 版新增。

engine{'c', 'python', 'pyarrow'}

要使用的解析引擎。C 和 pyarrow 引擎更快,而 python 引擎目前功能更完善。多线程目前仅受 pyarrow 引擎支持。

1.4.0 版新增: “pyarrow”引擎作为实验性引擎添加,此引擎不支持某些功能,或可能无法正常工作。

converters字典,默认为 None

用于转换特定列中值的函数字典。键可以是整数或列标签。

true_values列表,默认为 None

要视为 True 的值。

false_values列表,默认为 None

要视为 False 的值。

skipinitialspace布尔值,默认为 False

跳过分隔符后的空格。

skiprows类列表或整数,默认为 None

要跳过的行号(0-索引)或文件开头要跳过的行数(整数)。

如果是可调用对象,则会针对行索引评估可调用函数,如果该行应被跳过则返回 True,否则返回 False。

In [6]: data = "col1,col2,col3\na,b,1\na,b,2\nc,d,3"

In [7]: pd.read_csv(StringIO(data))
Out[7]: 
  col1 col2  col3
0    a    b     1
1    a    b     2
2    c    d     3

In [8]: pd.read_csv(StringIO(data), skiprows=lambda x: x % 2 != 0)
Out[8]: 
  col1 col2  col3
0    a    b     2
skipfooter整数,默认为 0

文件底部要跳过的行数(engine='c' 不支持)。

nrows整数,默认为 None

要读取的文件行数。对于读取大型文件的一部分很有用。

low_memory布尔值,默认为 True

内部以块处理文件,从而在解析时降低内存使用量,但也可能导致混合类型推断。为确保没有混合类型,请设置为 False,或使用 dtype 参数指定类型。请注意,无论如何,整个文件都会读入单个 DataFrame,请使用 chunksizeiterator 参数以块的形式返回数据。(仅适用于 C 解析器)

memory_map布尔值,默认为 False

如果为 filepath_or_buffer 提供了文件路径,则将文件对象直接映射到内存中并从内存中直接访问数据。使用此选项可以提高性能,因为不再有任何 I/O 开销。

NA 值和缺失数据处理#

na_values标量、字符串、类列表或字典,默认为 None

额外识别为 NA/NaN 的字符串。如果传入字典,则指定每列的 NA 值。有关默认解释为 NaN 的值列表,请参阅下面的na values const

keep_default_na布尔值,默认为 True

解析数据时是否包含默认的 NaN 值。根据是否传入 na_values,行为如下:

  • 如果 keep_default_naTrue,且指定了 na_values,则 na_values 将附加到用于解析的默认 NaN 值。

  • 如果 keep_default_naTrue,且未指定 na_values,则仅使用默认 NaN 值进行解析。

  • 如果 keep_default_naFalse,且指定了 na_values,则仅使用 na_values 中指定的 NaN 值进行解析。

  • 如果 keep_default_naFalse,且未指定 na_values,则不会有任何字符串被解析为 NaN。

请注意,如果 na_filter 传入 False,则会忽略 keep_default_nana_values 参数。

na_filter布尔值,默认为 True

检测缺失值标记(空字符串和 na_values 的值)。在不含任何 NA 的数据中,传入 na_filter=False 可以提高读取大型文件的性能。

verbose布尔值,默认为 False

指示非数值列中放置的 NA 值数量。

skip_blank_lines布尔值,默认为 True

如果为 True,则跳过空行,而不是将其解释为 NaN 值。

日期时间处理#

parse_dates布尔值、整数列表、名称列表、列表的列表或字典,默认为 False
  • 如果为 True -> 尝试解析索引。

  • 如果为 [1, 2, 3] -> 尝试将列 1、2、3 各自解析为单独的日期列。

  • 如果为 [[1, 3]] -> 组合列 1 和列 3 并解析为单个日期列。

  • 如果为 {'foo': [1, 3]} -> 将列 1、3 解析为日期,并将结果命名为 'foo'。

注意

对于 iso8601 格式的日期存在快速路径。

infer_datetime_format布尔值,默认为 False

如果为 True 并且对列启用了 parse_dates,则尝试推断日期时间格式以加快处理速度。

自 2.0.0 版弃用: 此参数的严格版本现已成为默认值,传入它没有任何效果。

keep_date_col布尔值,默认为 False

如果为 True 并且 parse_dates 指定组合多个列,则保留原始列。

date_parser函数,默认为 None

用于将字符串列序列转换为 datetime 实例数组的函数。默认使用 dateutil.parser.parser 进行转换。pandas 将尝试以三种不同方式调用 date_parser,如果发生异常则前进到下一种方式:1) 将一个或多个数组(由 parse_dates 定义)作为参数传入;2) 将由 parse_dates 定义的列中的字符串值(按行)连接成单个数组并传入;3) 对每一行调用一次 date_parser,使用一个或多个字符串(对应于由 parse_dates 定义的列)作为参数。

自 2.0.0 版弃用: 请改用 date_format,或者以 object 类型读取,然后根据需要应用 to_datetime()

date_format字符串或列 -> 格式字典,默认为 None

如果与 parse_dates 结合使用,将根据此格式解析日期。对于任何更复杂的处理,请以 object 类型读取,然后根据需要应用 to_datetime()

2.0.0 版新增。

dayfirst布尔值,默认为 False

DD/MM 格式日期,国际和欧洲格式。

cache_dates布尔值,默认为 True

如果为 True,则使用唯一已转换日期的缓存来应用日期时间转换。在解析重复日期字符串时,特别是带有时区偏移的日期字符串时,可能会显著提高速度。

迭代#

iterator布尔值,默认为 False

返回 TextFileReader 对象,用于迭代或使用 get_chunk() 获取数据块。

chunksize整数,默认为 None

返回 TextFileReader 对象,用于迭代。请参阅下面的迭代和分块

引号、压缩和文件格式#

compression{'infer', 'gzip', 'bz2', 'zip', 'xz', 'zstd', None, dict},默认为 'infer'

用于磁盘数据即时解压缩。如果为“infer”,则如果 filepath_or_buffer 是以 '.gz'、'.bz2'、'.zip'、'.xz'、'.zst' 结尾的类路径,则分别使用 gzip、bz2、zip、xz 或 zstandard,否则不进行解压缩。如果使用“zip”,ZIP 文件必须只包含一个要读取的数据文件。设置为 None 表示不解压缩。也可以是一个字典,其中键 'method' 设置为 {'zip', 'gzip', 'bz2', 'zstd'} 之一,其他键值对转发给 zipfile.ZipFilegzip.GzipFilebz2.BZ2Filezstandard.ZstdDecompressor。例如,可以传入以下内容以实现更快的压缩并创建可重现的 gzip 归档:compression={'method': 'gzip', 'compresslevel': 1, 'mtime': 1}

1.2.0 版更改: 以前的版本将 'gzip' 的字典条目转发给 gzip.open

thousands字符串,默认为 None

千位分隔符。

decimal字符串,默认为 '.'

识别为小数点的字符。例如,对于欧洲数据,请使用 ','

float_precision字符串,默认为 None

指定 C 引擎应使用哪个转换器处理浮点值。选项包括普通转换器的 None、高精度转换器的 high 和往返转换器的 round_trip

lineterminator字符串(长度为 1),默认为 None

用于将文件分行的字符。仅适用于 C 解析器。

quotechar字符串(长度为 1)

用于表示引用项开始和结束的字符。引用项可以包含分隔符,且分隔符将被忽略。

quoting整数或 csv.QUOTE_* 实例,默认为 0

根据 csv.QUOTE_* 常量控制字段引用行为。使用 QUOTE_MINIMAL (0)、QUOTE_ALL (1)、QUOTE_NONNUMERIC (2) 或 QUOTE_NONE (3) 中的一个。

doublequote布尔值,默认为 True

当指定了 quotechar 并且 quoting 不是 QUOTE_NONE 时,指示是否将字段内部的两个连续 quotechar 元素解释为单个 quotechar 元素。

escapechar字符串(长度为 1),默认为 None

当引用为 QUOTE_NONE 时,用于转义分隔符的单字符字符串。

comment字符串,默认为 None

指示行的其余部分不应被解析。如果在行首找到,则该行将被完全忽略。此参数必须是单个字符。与空行(只要 skip_blank_lines=True)一样,完全注释的行会被 header 参数忽略,但不会被 skiprows 忽略。例如,如果 comment='#',则使用 header=0 解析 ‘#empty\na,b,c\n1,2,3’ 将导致 ‘a,b,c’ 被视为标题。

encoding字符串,默认为 None

读/写 UTF 时使用的编码(例如 'utf-8')。Python 标准编码列表

dialect字符串或 csv.Dialect 实例,默认为 None

如果提供,此参数将覆盖以下参数的值(默认或非默认):delimiterdoublequoteescapecharskipinitialspacequotecharquoting。如果需要覆盖值,将发出 ParserWarning。有关更多详细信息,请参阅 csv.Dialect 文档。

错误处理#

on_bad_lines('error', 'warn', 'skip'),默认为 'error'

指定遇到错误行(字段过多的一行)时该怎么做。允许的值为:

  • ‘error’,遇到错误行时引发 ParserError。

  • ‘warn’,遇到错误行时打印警告并跳过该行。

  • ‘skip’,遇到错误行时跳过,不引发错误或警告。

1.3.0 版新增。

指定列数据类型#

您可以为整个 DataFrame 或单个列指定数据类型。

In [9]: import numpy as np

In [10]: data = "a,b,c,d\n1,2,3,4\n5,6,7,8\n9,10,11"

In [11]: print(data)
a,b,c,d
1,2,3,4
5,6,7,8
9,10,11

In [12]: df = pd.read_csv(StringIO(data), dtype=object)

In [13]: df
Out[13]: 
   a   b   c    d
0  1   2   3    4
1  5   6   7    8
2  9  10  11  NaN

In [14]: df["a"][0]
Out[14]: '1'

In [15]: df = pd.read_csv(StringIO(data), dtype={"b": object, "c": np.float64, "d": "Int64"})

In [16]: df.dtypes
Out[16]: 
a      int64
b     object
c    float64
d      Int64
dtype: object

幸运的是,pandas 提供了不止一种方法来确保您的列只包含一个 dtype。如果您不熟悉这些概念,可以此处了解更多关于 dtypes 的信息,以及此处了解更多关于 pandas 中 object 转换的信息。

例如,您可以使用 read_csv()converters 参数。

In [17]: data = "col_1\n1\n2\n'A'\n4.22"

In [18]: df = pd.read_csv(StringIO(data), converters={"col_1": str})

In [19]: df
Out[19]: 
  col_1
0     1
1     2
2   'A'
3  4.22

In [20]: df["col_1"].apply(type).value_counts()
Out[20]: 
col_1
<class 'str'>    4
Name: count, dtype: int64

或者您可以使用 to_numeric() 函数在读取数据后强制转换 dtypes,

In [21]: df2 = pd.read_csv(StringIO(data))

In [22]: df2["col_1"] = pd.to_numeric(df2["col_1"], errors="coerce")

In [23]: df2
Out[23]: 
   col_1
0   1.00
1   2.00
2    NaN
3   4.22

In [24]: df2["col_1"].apply(type).value_counts()
Out[24]: 
col_1
<class 'float'>    4
Name: count, dtype: int64

这将把所有有效解析转换为浮点数,将无效解析保留为 NaN

最终,如何处理包含混合 dtypes 的列取决于您的具体需求。在上述情况下,如果您希望将数据异常 NaN 化,那么 to_numeric() 可能是您最好的选择。但是,如果您希望所有数据都被强制转换,无论类型如何,那么使用 read_csv()converters 参数无疑值得一试。

注意

在某些情况下,读取包含混合 dtypes 的异常数据会导致数据集不一致。如果您依赖 pandas 推断列的 dtypes,解析引擎将为数据的不同块推断 dtypes,而不是一次性推断整个数据集。因此,您最终可能会得到包含混合 dtypes 的列。例如,

In [25]: col_1 = list(range(500000)) + ["a", "b"] + list(range(500000))

In [26]: df = pd.DataFrame({"col_1": col_1})

In [27]: df.to_csv("foo.csv")

In [28]: mixed_df = pd.read_csv("foo.csv")

In [29]: mixed_df["col_1"].apply(type).value_counts()
Out[29]: 
col_1
<class 'int'>    737858
<class 'str'>    262144
Name: count, dtype: int64

In [30]: mixed_df["col_1"].dtype
Out[30]: dtype('O')

将导致 mixed_df 在列的某些块中包含 int dtype,而在其他块中包含 str,这是由于读取的数据中混合了 dtypes。重要的是要注意,整个列将被标记为 objectdtype,这用于包含混合 dtypes 的列。

设置 dtype_backend="numpy_nullable" 将导致每列都使用可空 dtype。

In [31]: data = """a,b,c,d,e,f,g,h,i,j
   ....: 1,2.5,True,a,,,,,12-31-2019,
   ....: 3,4.5,False,b,6,7.5,True,a,12-31-2019,
   ....: """
   ....: 

In [32]: df = pd.read_csv(StringIO(data), dtype_backend="numpy_nullable", parse_dates=["i"])

In [33]: df
Out[33]: 
   a    b      c  d     e     f     g     h          i     j
0  1  2.5   True  a  <NA>  <NA>  <NA>  <NA> 2019-12-31  <NA>
1  3  4.5  False  b     6   7.5  True     a 2019-12-31  <NA>

In [34]: df.dtypes
Out[34]: 
a             Int64
b           Float64
c           boolean
d    string[python]
e             Int64
f           Float64
g           boolean
h    string[python]
i    datetime64[ns]
j             Int64
dtype: object

指定分类 dtype#

Categorical 列可以通过指定 dtype='category'dtype=CategoricalDtype(categories, ordered) 直接解析。

In [35]: data = "col1,col2,col3\na,b,1\na,b,2\nc,d,3"

In [36]: pd.read_csv(StringIO(data))
Out[36]: 
  col1 col2  col3
0    a    b     1
1    a    b     2
2    c    d     3

In [37]: pd.read_csv(StringIO(data)).dtypes
Out[37]: 
col1    object
col2    object
col3     int64
dtype: object

In [38]: pd.read_csv(StringIO(data), dtype="category").dtypes
Out[38]: 
col1    category
col2    category
col3    category
dtype: object

单独的列可以使用字典规范解析为 Categorical

In [39]: pd.read_csv(StringIO(data), dtype={"col1": "category"}).dtypes
Out[39]: 
col1    category
col2      object
col3       int64
dtype: object

指定 dtype='category' 将生成一个无序的 Categorical,其 categories 是数据中观察到的唯一值。要对类别和顺序进行更多控制,请提前创建一个 CategoricalDtype,并将其作为该列的 dtype 传入。

In [40]: from pandas.api.types import CategoricalDtype

In [41]: dtype = CategoricalDtype(["d", "c", "b", "a"], ordered=True)

In [42]: pd.read_csv(StringIO(data), dtype={"col1": dtype}).dtypes
Out[42]: 
col1    category
col2      object
col3       int64
dtype: object

当使用 dtype=CategoricalDtype 时,dtype.categories 之外的“意外”值将被视为缺失值。

In [43]: dtype = CategoricalDtype(["a", "b", "d"])  # No 'c'

In [44]: pd.read_csv(StringIO(data), dtype={"col1": dtype}).col1
Out[44]: 
0      a
1      a
2    NaN
Name: col1, dtype: category
Categories (3, object): ['a', 'b', 'd']

这与 Categorical.set_categories() 的行为匹配。

注意

使用 dtype='category' 时,结果类别将始终被解析为字符串(object dtype)。如果类别是数字,可以使用 to_numeric() 函数或适当的其他转换器(例如 to_datetime())进行转换。

dtype 是具有同构 categories(所有数字、所有日期时间等)的 CategoricalDtype 时,会自动进行转换。

In [45]: df = pd.read_csv(StringIO(data), dtype="category")

In [46]: df.dtypes
Out[46]: 
col1    category
col2    category
col3    category
dtype: object

In [47]: df["col3"]
Out[47]: 
0    1
1    2
2    3
Name: col3, dtype: category
Categories (3, object): ['1', '2', '3']

In [48]: new_categories = pd.to_numeric(df["col3"].cat.categories)

In [49]: df["col3"] = df["col3"].cat.rename_categories(new_categories)

In [50]: df["col3"]
Out[50]: 
0    1
1    2
2    3
Name: col3, dtype: category
Categories (3, int64): [1, 2, 3]

列的命名和使用#

处理列名#

文件可能包含或不包含标题行。pandas 假设第一行应用作列名。

In [51]: data = "a,b,c\n1,2,3\n4,5,6\n7,8,9"

In [52]: print(data)
a,b,c
1,2,3
4,5,6
7,8,9

In [53]: pd.read_csv(StringIO(data))
Out[53]: 
   a  b  c
0  1  2  3
1  4  5  6
2  7  8  9

通过将 names 参数与 header 结合使用,您可以指定要使用的其他名称以及是否丢弃标题行(如果有)。

In [54]: print(data)
a,b,c
1,2,3
4,5,6
7,8,9

In [55]: pd.read_csv(StringIO(data), names=["foo", "bar", "baz"], header=0)
Out[55]: 
   foo  bar  baz
0    1    2    3
1    4    5    6
2    7    8    9

In [56]: pd.read_csv(StringIO(data), names=["foo", "bar", "baz"], header=None)
Out[56]: 
  foo bar baz
0   a   b   c
1   1   2   3
2   4   5   6
3   7   8   9

如果标题在第一行以外的行中,请将行号传递给 header。这将跳过前面的行。

In [57]: data = "skip this skip it\na,b,c\n1,2,3\n4,5,6\n7,8,9"

In [58]: pd.read_csv(StringIO(data), header=1)
Out[58]: 
   a  b  c
0  1  2  3
1  4  5  6
2  7  8  9

注意

默认行为是推断列名:如果未传入名称,则行为与 header=0 相同,列名从文件的第一个非空行推断;如果显式传入列名,则行为与 header=None 相同。

重复名称解析#

如果文件或标题包含重复名称,pandas 默认会区分它们,以防止数据被覆盖。

In [59]: data = "a,b,a\n0,1,2\n3,4,5"

In [60]: pd.read_csv(StringIO(data))
Out[60]: 
   a  b  a.1
0  0  1    2
1  3  4    5

不再有重复数据,因为重复列 ‘X’, …, ‘X’ 会变为 ‘X’, ‘X.1’, …, ‘X.N’。

过滤列 (usecols)#

usecols 参数允许您选择文件中列的任意子集,可以使用列名、位置编号或可调用对象。

In [61]: data = "a,b,c,d\n1,2,3,foo\n4,5,6,bar\n7,8,9,baz"

In [62]: pd.read_csv(StringIO(data))
Out[62]: 
   a  b  c    d
0  1  2  3  foo
1  4  5  6  bar
2  7  8  9  baz

In [63]: pd.read_csv(StringIO(data), usecols=["b", "d"])
Out[63]: 
   b    d
0  2  foo
1  5  bar
2  8  baz

In [64]: pd.read_csv(StringIO(data), usecols=[0, 2, 3])
Out[64]: 
   a  c    d
0  1  3  foo
1  4  6  bar
2  7  9  baz

In [65]: pd.read_csv(StringIO(data), usecols=lambda x: x.upper() in ["A", "C"])
Out[65]: 
   a  c
0  1  3
1  4  6
2  7  9

usecols 参数还可以用于指定最终结果中不使用的列。

In [66]: pd.read_csv(StringIO(data), usecols=lambda x: x not in ["a", "c"])
Out[66]: 
   b    d
0  2  foo
1  5  bar
2  8  baz

在此示例中,可调用对象指定我们从输出中排除“a”和“c”列。

注释和空行#

忽略行注释和空行#

如果指定了 comment 参数,则完全注释的行将被忽略。默认情况下,完全空白的行也将被忽略。

In [67]: data = "\na,b,c\n  \n# commented line\n1,2,3\n\n4,5,6"

In [68]: print(data)

a,b,c
  
# commented line
1,2,3

4,5,6

In [69]: pd.read_csv(StringIO(data), comment="#")
Out[69]: 
   a  b  c
0  1  2  3
1  4  5  6

如果 skip_blank_lines=False,则 read_csv 将不忽略空行。

In [70]: data = "a,b,c\n\n1,2,3\n\n\n4,5,6"

In [71]: pd.read_csv(StringIO(data), skip_blank_lines=False)
Out[71]: 
     a    b    c
0  NaN  NaN  NaN
1  1.0  2.0  3.0
2  NaN  NaN  NaN
3  NaN  NaN  NaN
4  4.0  5.0  6.0

警告

忽略行的存在可能会导致行号的歧义;参数 header 使用行号(忽略注释/空行),而 skiprows 使用行号(包括注释/空行)。

In [72]: data = "#comment\na,b,c\nA,B,C\n1,2,3"

In [73]: pd.read_csv(StringIO(data), comment="#", header=1)
Out[73]: 
   A  B  C
0  1  2  3

In [74]: data = "A,B,C\n#comment\na,b,c\n1,2,3"

In [75]: pd.read_csv(StringIO(data), comment="#", skiprows=2)
Out[75]: 
   a  b  c
0  1  2  3

如果同时指定了 headerskiprows,则 header 将相对于 skiprows 的末尾。例如:

In [76]: data = (
   ....:     "# empty\n"
   ....:     "# second empty line\n"
   ....:     "# third emptyline\n"
   ....:     "X,Y,Z\n"
   ....:     "1,2,3\n"
   ....:     "A,B,C\n"
   ....:     "1,2.,4.\n"
   ....:     "5.,NaN,10.0\n"
   ....: )
   ....: 

In [77]: print(data)
# empty
# second empty line
# third emptyline
X,Y,Z
1,2,3
A,B,C
1,2.,4.
5.,NaN,10.0


In [78]: pd.read_csv(StringIO(data), comment="#", skiprows=4, header=1)
Out[78]: 
     A    B     C
0  1.0  2.0   4.0
1  5.0  NaN  10.0

注释#

有时文件可能包含注释或元数据。

In [79]: data = (
   ....:     "ID,level,category\n"
   ....:     "Patient1,123000,x # really unpleasant\n"
   ....:     "Patient2,23000,y # wouldn't take his medicine\n"
   ....:     "Patient3,1234018,z # awesome"
   ....: )
   ....: 

In [80]: with open("tmp.csv", "w") as fh:
   ....:     fh.write(data)
   ....: 

In [81]: print(open("tmp.csv").read())
ID,level,category
Patient1,123000,x # really unpleasant
Patient2,23000,y # wouldn't take his medicine
Patient3,1234018,z # awesome

默认情况下,解析器会在输出中包含注释。

In [82]: df = pd.read_csv("tmp.csv")

In [83]: df
Out[83]: 
         ID    level                        category
0  Patient1   123000           x # really unpleasant
1  Patient2    23000  y # wouldn't take his medicine
2  Patient3  1234018                     z # awesome

我们可以使用 comment 关键字来抑制注释。

In [84]: df = pd.read_csv("tmp.csv", comment="#")

In [85]: df
Out[85]: 
         ID    level category
0  Patient1   123000       x 
1  Patient2    23000       y 
2  Patient3  1234018       z 

处理 Unicode 数据#

encoding 参数应用于编码的 unicode 数据,这将导致结果中的字节字符串被解码为 unicode。

In [86]: from io import BytesIO

In [87]: data = b"word,length\n" b"Tr\xc3\xa4umen,7\n" b"Gr\xc3\xbc\xc3\x9fe,5"

In [88]: data = data.decode("utf8").encode("latin-1")

In [89]: df = pd.read_csv(BytesIO(data), encoding="latin-1")

In [90]: df
Out[90]: 
      word  length
0  Träumen       7
1    Grüße       5

In [91]: df["word"][1]
Out[91]: 'Grüße'

某些将所有字符编码为多字节的格式(例如 UTF-16),如果不指定编码,将完全无法正确解析。Python 标准编码的完整列表

索引列和尾随分隔符#

如果一个文件的数据列比列名多一列,则第一列将用作 DataFrame 的行名称。

In [92]: data = "a,b,c\n4,apple,bat,5.7\n8,orange,cow,10"

In [93]: pd.read_csv(StringIO(data))
Out[93]: 
        a    b     c
4   apple  bat   5.7
8  orange  cow  10.0
In [94]: data = "index,a,b,c\n4,apple,bat,5.7\n8,orange,cow,10"

In [95]: pd.read_csv(StringIO(data), index_col=0)
Out[95]: 
            a    b     c
index                   
4       apple  bat   5.7
8      orange  cow  10.0

通常,您可以使用 index_col 选项来实现此行为。

在某些例外情况下,文件可能在每行数据末尾都带有分隔符,这会混淆解析器。要显式禁用索引列推断并丢弃最后一列,请传入 index_col=False

In [96]: data = "a,b,c\n4,apple,bat,\n8,orange,cow,"

In [97]: print(data)
a,b,c
4,apple,bat,
8,orange,cow,

In [98]: pd.read_csv(StringIO(data))
Out[98]: 
        a    b   c
4   apple  bat NaN
8  orange  cow NaN

In [99]: pd.read_csv(StringIO(data), index_col=False)
Out[99]: 
   a       b    c
0  4   apple  bat
1  8  orange  cow

如果使用 usecols 选项解析数据子集,则 index_col 规范将基于该子集,而不是原始数据。

In [100]: data = "a,b,c\n4,apple,bat,\n8,orange,cow,"

In [101]: print(data)
a,b,c
4,apple,bat,
8,orange,cow,

In [102]: pd.read_csv(StringIO(data), usecols=["b", "c"])
Out[102]: 
     b   c
4  bat NaN
8  cow NaN

In [103]: pd.read_csv(StringIO(data), usecols=["b", "c"], index_col=0)
Out[103]: 
     b   c
4  bat NaN
8  cow NaN

日期处理#

指定日期列#

为了更好地处理日期时间数据,read_csv() 使用关键字参数 parse_datesdate_format,允许用户指定各种列和日期/时间格式,将输入文本数据转换为 datetime 对象。

最简单的情况是只传入 parse_dates=True

In [104]: with open("foo.csv", mode="w") as f:
   .....:     f.write("date,A,B,C\n20090101,a,1,2\n20090102,b,3,4\n20090103,c,4,5")
   .....: 

# Use a column as an index, and parse it as dates.
In [105]: df = pd.read_csv("foo.csv", index_col=0, parse_dates=True)

In [106]: df
Out[106]: 
            A  B  C
date               
2009-01-01  a  1  2
2009-01-02  b  3  4
2009-01-03  c  4  5

# These are Python datetime objects
In [107]: df.index
Out[107]: DatetimeIndex(['2009-01-01', '2009-01-02', '2009-01-03'], dtype='datetime64[ns]', name='date', freq=None)

通常,我们可能希望将日期和时间数据分开存储,或将各种日期字段分开存储。 parse_dates 关键字可用于指定列组合,以从中解析日期和/或时间。

您可以将列列表的列表指定给 parse_dates,生成的日期列将前置到输出(以不影响现有列顺序),新列名将是组成列名的串联。

In [108]: data = (
   .....:     "KORD,19990127, 19:00:00, 18:56:00, 0.8100\n"
   .....:     "KORD,19990127, 20:00:00, 19:56:00, 0.0100\n"
   .....:     "KORD,19990127, 21:00:00, 20:56:00, -0.5900\n"
   .....:     "KORD,19990127, 21:00:00, 21:18:00, -0.9900\n"
   .....:     "KORD,19990127, 22:00:00, 21:56:00, -0.5900\n"
   .....:     "KORD,19990127, 23:00:00, 22:56:00, -0.5900"
   .....: )
   .....: 

In [109]: with open("tmp.csv", "w") as fh:
   .....:     fh.write(data)
   .....: 

In [110]: df = pd.read_csv("tmp.csv", header=None, parse_dates=[[1, 2], [1, 3]])

In [111]: df
Out[111]: 
                  1_2                 1_3     0     4
0 1999-01-27 19:00:00 1999-01-27 18:56:00  KORD  0.81
1 1999-01-27 20:00:00 1999-01-27 19:56:00  KORD  0.01
2 1999-01-27 21:00:00 1999-01-27 20:56:00  KORD -0.59
3 1999-01-27 21:00:00 1999-01-27 21:18:00  KORD -0.99
4 1999-01-27 22:00:00 1999-01-27 21:56:00  KORD -0.59
5 1999-01-27 23:00:00 1999-01-27 22:56:00  KORD -0.59

默认情况下,解析器会删除组成日期列,但您可以通过 keep_date_col 关键字选择保留它们。

In [112]: df = pd.read_csv(
   .....:     "tmp.csv", header=None, parse_dates=[[1, 2], [1, 3]], keep_date_col=True
   .....: )
   .....: 

In [113]: df
Out[113]: 
                  1_2                 1_3     0  ...          2          3     4
0 1999-01-27 19:00:00 1999-01-27 18:56:00  KORD  ...   19:00:00   18:56:00  0.81
1 1999-01-27 20:00:00 1999-01-27 19:56:00  KORD  ...   20:00:00   19:56:00  0.01
2 1999-01-27 21:00:00 1999-01-27 20:56:00  KORD  ...   21:00:00   20:56:00 -0.59
3 1999-01-27 21:00:00 1999-01-27 21:18:00  KORD  ...   21:00:00   21:18:00 -0.99
4 1999-01-27 22:00:00 1999-01-27 21:56:00  KORD  ...   22:00:00   21:56:00 -0.59
5 1999-01-27 23:00:00 1999-01-27 22:56:00  KORD  ...   23:00:00   22:56:00 -0.59

[6 rows x 7 columns]

请注意,如果您希望将多个列组合成单个日期列,则必须使用嵌套列表。换句话说,parse_dates=[1, 2] 表示第二列和第三列应分别解析为单独的日期列,而 parse_dates=[[1, 2]] 表示这两列应解析为单个列。

您还可以使用字典来指定自定义名称列。

In [114]: date_spec = {"nominal": [1, 2], "actual": [1, 3]}

In [115]: df = pd.read_csv("tmp.csv", header=None, parse_dates=date_spec)

In [116]: df
Out[116]: 
              nominal              actual     0     4
0 1999-01-27 19:00:00 1999-01-27 18:56:00  KORD  0.81
1 1999-01-27 20:00:00 1999-01-27 19:56:00  KORD  0.01
2 1999-01-27 21:00:00 1999-01-27 20:56:00  KORD -0.59
3 1999-01-27 21:00:00 1999-01-27 21:18:00  KORD -0.99
4 1999-01-27 22:00:00 1999-01-27 21:56:00  KORD -0.59
5 1999-01-27 23:00:00 1999-01-27 22:56:00  KORD -0.59

重要的是要记住,如果多个文本列要解析为单个日期列,则会在数据前添加一个新列。index_col 规范基于这组新列,而不是原始数据列。

In [117]: date_spec = {"nominal": [1, 2], "actual": [1, 3]}

In [118]: df = pd.read_csv(
   .....:     "tmp.csv", header=None, parse_dates=date_spec, index_col=0
   .....: )  # index is the nominal column
   .....: 

In [119]: df
Out[119]: 
                                 actual     0     4
nominal                                            
1999-01-27 19:00:00 1999-01-27 18:56:00  KORD  0.81
1999-01-27 20:00:00 1999-01-27 19:56:00  KORD  0.01
1999-01-27 21:00:00 1999-01-27 20:56:00  KORD -0.59
1999-01-27 21:00:00 1999-01-27 21:18:00  KORD -0.99
1999-01-27 22:00:00 1999-01-27 21:56:00  KORD -0.59
1999-01-27 23:00:00 1999-01-27 22:56:00  KORD -0.59

注意

如果列或索引包含无法解析的日期,则整个列或索引将以对象数据类型原样返回。对于非标准日期时间解析,请在 pd.read_csv 之后使用 to_datetime()

注意

read_csv 具有用于解析 iso8601 格式日期时间字符串的快速路径,例如 “2000-01-01T00:01:02+00:00” 和类似变体。如果能将数据存储为这种日期时间格式,加载时间将显著加快,已观察到大约 20 倍的提速。

自 2.2.0 版弃用: 在 read_csv 内部组合日期列已被弃用。请改用 pd.to_datetime 处理相关的结果列。

日期解析函数#

最后,解析器允许您指定自定义的 date_format。从性能角度考虑,您应该按顺序尝试这些日期解析方法:

  1. 如果您知道格式,请使用 date_format,例如:date_format="%d/%m/%Y"date_format={column_name: "%d/%m/%Y"}

  2. 如果您不同列有不同的格式,或者想要将任何额外选项(例如 utc)传递给 to_datetime,那么您应该将数据读取为 object dtype,然后使用 to_datetime

解析包含混合时区的 CSV#

pandas 无法原生表示包含混合时区的列或索引。如果您的 CSV 文件包含混合时区的列,即使使用 parse_dates,默认结果也将是一个包含字符串的对象-dtype 列。要将混合时区值解析为日期时间列,请以 object dtype 读取,然后使用 utc=True 调用 to_datetime()

In [120]: content = """\
   .....: a
   .....: 2000-01-01T00:00:00+05:00
   .....: 2000-01-01T00:00:00+06:00"""
   .....: 

In [121]: df = pd.read_csv(StringIO(content))

In [122]: df["a"] = pd.to_datetime(df["a"], utc=True)

In [123]: df["a"]
Out[123]: 
0   1999-12-31 19:00:00+00:00
1   1999-12-31 18:00:00+00:00
Name: a, dtype: datetime64[ns, UTC]

推断日期时间格式#

以下是一些可以推断的日期时间字符串示例(所有这些都表示 2011 年 12 月 30 日 00:00:00):

  • “20111230”

  • “2011/12/30”

  • “20111230 00:00:00”

  • “12/30/2011 00:00:00”

  • “30/Dec/2011 00:00:00”

  • “30/December/2011 00:00:00”

请注意,格式推断对 dayfirst 很敏感。当 dayfirst=True 时,它将猜测“01/12/2011”为 12 月 1 日。当 dayfirst=False(默认)时,它将猜测“01/12/2011”为 1 月 12 日。

如果您尝试解析日期字符串列,pandas 将尝试从第一个非 NaN 元素中猜测格式,然后用该格式解析列的其余部分。如果 pandas 未能猜测格式(例如,如果您的第一个字符串是 '01 December US/Pacific 2000'),则会引发警告,并且每行将由 dateutil.parser.parse 单独解析。解析日期最安全的方法是显式设置 format=

In [124]: df = pd.read_csv(
   .....:     "foo.csv",
   .....:     index_col=0,
   .....:     parse_dates=True,
   .....: )
   .....: 

In [125]: df
Out[125]: 
            A  B  C
date               
2009-01-01  a  1  2
2009-01-02  b  3  4
2009-01-03  c  4  5

如果您在同一列中混合了日期时间格式,您可以传入 format='mixed'

In [126]: data = StringIO("date\n12 Jan 2000\n2000-01-13\n")

In [127]: df = pd.read_csv(data)

In [128]: df['date'] = pd.to_datetime(df['date'], format='mixed')

In [129]: df
Out[129]: 
        date
0 2000-01-12
1 2000-01-13

或者,如果您的日期时间格式都是 ISO8601(可能格式不完全相同):

In [130]: data = StringIO("date\n2020-01-01\n2020-01-01 03:00\n")

In [131]: df = pd.read_csv(data)

In [132]: df['date'] = pd.to_datetime(df['date'], format='ISO8601')

In [133]: df
Out[133]: 
                 date
0 2020-01-01 00:00:00
1 2020-01-01 03:00:00

国际日期格式#

尽管美国日期格式通常是 MM/DD/YYYY,但许多国际格式使用 DD/MM/YYYY。为了方便起见,提供了 dayfirst 关键字。

In [134]: data = "date,value,cat\n1/6/2000,5,a\n2/6/2000,10,b\n3/6/2000,15,c"

In [135]: print(data)
date,value,cat
1/6/2000,5,a
2/6/2000,10,b
3/6/2000,15,c

In [136]: with open("tmp.csv", "w") as fh:
   .....:     fh.write(data)
   .....: 

In [137]: pd.read_csv("tmp.csv", parse_dates=[0])
Out[137]: 
        date  value cat
0 2000-01-06      5   a
1 2000-02-06     10   b
2 2000-03-06     15   c

In [138]: pd.read_csv("tmp.csv", dayfirst=True, parse_dates=[0])
Out[138]: 
        date  value cat
0 2000-06-01      5   a
1 2000-06-02     10   b
2 2000-06-03     15   c

将 CSV 写入二进制文件对象#

1.2.0 版新增。

df.to_csv(..., mode="wb") 允许将 CSV 写入以二进制模式打开的文件对象。在大多数情况下,无需指定 mode,因为 Pandas 会自动检测文件对象是以文本模式还是二进制模式打开。

In [139]: import io

In [140]: data = pd.DataFrame([0, 1, 2])

In [141]: buffer = io.BytesIO()

In [142]: data.to_csv(buffer, encoding="utf-8", compression="gzip")

指定浮点转换方法#

可以指定参数 float_precision,以便在用 C 引擎解析时使用特定的浮点转换器。选项包括普通转换器的 None、高精度转换器的 high 和往返转换器(保证在写入文件后往返值)。例如:

In [143]: val = "0.3066101993807095471566981359501369297504425048828125"

In [144]: data = "a,b,c\n1,2,{0}".format(val)

In [145]: abs(
   .....:     pd.read_csv(
   .....:         StringIO(data),
   .....:         engine="c",
   .....:         float_precision=None,
   .....:     )["c"][0] - float(val)
   .....: )
   .....: 
Out[145]: 5.551115123125783e-17

In [146]: abs(
   .....:     pd.read_csv(
   .....:         StringIO(data),
   .....:         engine="c",
   .....:         float_precision="high",
   .....:     )["c"][0] - float(val)
   .....: )
   .....: 
Out[146]: 5.551115123125783e-17

In [147]: abs(
   .....:     pd.read_csv(StringIO(data), engine="c", float_precision="round_trip")["c"][0]
   .....:     - float(val)
   .....: )
   .....: 
Out[147]: 0.0

千位分隔符#

对于用千位分隔符写入的大数字,可以将 thousands 关键字设置为长度为 1 的字符串,以便正确解析整数。

默认情况下,带有千位分隔符的数字将被解析为字符串。

In [148]: data = (
   .....:     "ID|level|category\n"
   .....:     "Patient1|123,000|x\n"
   .....:     "Patient2|23,000|y\n"
   .....:     "Patient3|1,234,018|z"
   .....: )
   .....: 

In [149]: with open("tmp.csv", "w") as fh:
   .....:     fh.write(data)
   .....: 

In [150]: df = pd.read_csv("tmp.csv", sep="|")

In [151]: df
Out[151]: 
         ID      level category
0  Patient1    123,000        x
1  Patient2     23,000        y
2  Patient3  1,234,018        z

In [152]: df.level.dtype
Out[152]: dtype('O')

thousands 关键字允许正确解析整数。

In [153]: df = pd.read_csv("tmp.csv", sep="|", thousands=",")

In [154]: df
Out[154]: 
         ID    level category
0  Patient1   123000        x
1  Patient2    23000        y
2  Patient3  1234018        z

In [155]: df.level.dtype
Out[155]: dtype('int64')

NA 值#

要控制哪些值被解析为缺失值(由 NaN 表示),请在 na_values 中指定一个字符串。如果您指定一个字符串列表,则其中的所有值都被视为缺失值。如果您指定一个数字(一个 float,例如 5.0,或者一个 integer,例如 5),则相应的等效值也将表示一个缺失值(在这种情况下,[5.0, 5] 实际上都被识别为 NaN)。

要完全覆盖被识别为缺失值的默认值,请指定 keep_default_na=False

默认识别的 NaN 值包括 ['-1.#IND', '1.#QNAN', '1.#IND', '-1.#QNAN', '#N/A N/A', '#N/A', 'N/A', 'n/a', 'NA', '<NA>', '#NA', 'NULL', 'null', 'NaN', '-NaN', 'nan', '-nan', 'None', '']

让我们看一些例子。

pd.read_csv("path_to_file.csv", na_values=[5])

在上述示例中,55.0 除了默认值外,也将被识别为 NaN。字符串将首先被解释为数字 5,然后被解释为 NaN

pd.read_csv("path_to_file.csv", keep_default_na=False, na_values=[""])

上述示例中,只有空字段会被识别为 NaN

pd.read_csv("path_to_file.csv", keep_default_na=False, na_values=["NA", "0"])

上述示例中,字符串 NA0 都为 NaN

pd.read_csv("path_to_file.csv", na_values=["Nope"])

默认值以及字符串 "Nope" 都被识别为 NaN

无穷大#

类似 inf 的值将被解析为 np.inf(正无穷大),而 -inf 将被解析为 -np.inf(负无穷大)。这些解析会忽略值的大小写,这意味着 Inf 也将被解析为 np.inf

布尔值#

常见的 True, False, TRUEFALSE 值都被识别为布尔值。偶尔您可能希望将其他值识别为布尔值。为此,请按以下方式使用 true_valuesfalse_values 选项。

In [156]: data = "a,b,c\n1,Yes,2\n3,No,4"

In [157]: print(data)
a,b,c
1,Yes,2
3,No,4

In [158]: pd.read_csv(StringIO(data))
Out[158]: 
   a    b  c
0  1  Yes  2
1  3   No  4

In [159]: pd.read_csv(StringIO(data), true_values=["Yes"], false_values=["No"])
Out[159]: 
   a      b  c
0  1   True  2
1  3  False  4

处理“坏”行#

某些文件可能包含格式错误的行,字段过少或过多。字段过少的行将在尾随字段中填充 NA 值。默认情况下,字段过多的行会引发错误。

In [160]: data = "a,b,c\n1,2,3\n4,5,6,7\n8,9,10"

In [161]: pd.read_csv(StringIO(data))
---------------------------------------------------------------------------
ParserError                               Traceback (most recent call last)
Cell In[161], line 1
----> 1 pd.read_csv(StringIO(data))

File ~/work/pandas/pandas/pandas/io/parsers/readers.py:1026, in read_csv(filepath_or_buffer, sep, delimiter, header, names, index_col, usecols, dtype, engine, converters, true_values, false_values, skipinitialspace, skiprows, skipfooter, nrows, na_values, keep_default_na, na_filter, verbose, skip_blank_lines, parse_dates, infer_datetime_format, keep_date_col, date_parser, date_format, dayfirst, cache_dates, iterator, chunksize, compression, thousands, decimal, lineterminator, quotechar, quoting, doublequote, escapechar, comment, encoding, encoding_errors, dialect, on_bad_lines, delim_whitespace, low_memory, memory_map, float_precision, storage_options, dtype_backend)
   1013 kwds_defaults = _refine_defaults_read(
   1014     dialect,
   1015     delimiter,
   (...)
   1022     dtype_backend=dtype_backend,
   1023 )
   1024 kwds.update(kwds_defaults)
-> 1026 return _read(filepath_or_buffer, kwds)

File ~/work/pandas/pandas/pandas/io/parsers/readers.py:626, in _read(filepath_or_buffer, kwds)
    623     return parser
    625 with parser:
--> 626     return parser.read(nrows)

File ~/work/pandas/pandas/pandas/io/parsers/readers.py:1923, in TextFileReader.read(self, nrows)
   1916 nrows = validate_integer("nrows", nrows)
   1917 try:
   1918     # error: "ParserBase" has no attribute "read"
   1919     (
   1920         index,
   1921         columns,
   1922         col_dict,
-> 1923     ) = self._engine.read(  # type: ignore[attr-defined]
   1924         nrows
   1925     )
   1926 except Exception:
   1927     self.close()

File ~/work/pandas/pandas/pandas/io/parsers/c_parser_wrapper.py:234, in CParserWrapper.read(self, nrows)
    232 try:
    233     if self.low_memory:
--> 234         chunks = self._reader.read_low_memory(nrows)
    235         # destructive to chunks
    236         data = _concatenate_chunks(chunks)

File ~/work/pandas/pandas/pandas/_libs/parsers.pyx:838, in pandas._libs.parsers.TextReader.read_low_memory()

File ~/work/pandas/pandas/pandas/_libs/parsers.pyx:905, in pandas._libs.parsers.TextReader._read_rows()

File ~/work/pandas/pandas/pandas/_libs/parsers.pyx:874, in pandas._libs.parsers.TextReader._tokenize_rows()

File ~/work/pandas/pandas/pandas/_libs/parsers.pyx:891, in pandas._libs.parsers.TextReader._check_tokenize_status()

File ~/work/pandas/pandas/pandas/_libs/parsers.pyx:2061, in pandas._libs.parsers.raise_parser_error()

ParserError: Error tokenizing data. C error: Expected 3 fields in line 3, saw 4

您可以选择跳过坏行。

In [162]: data = "a,b,c\n1,2,3\n4,5,6,7\n8,9,10"

In [163]: pd.read_csv(StringIO(data), on_bad_lines="skip")
Out[163]: 
   a  b   c
0  1  2   3
1  8  9  10

1.4.0 版新增。

或者,如果 engine="python",可以传入一个可调用函数来处理坏行。坏行将是一个由 sep 分割的字符串列表。

In [164]: external_list = []

In [165]: def bad_lines_func(line):
   .....:     external_list.append(line)
   .....:     return line[-3:]
   .....: 

In [166]: external_list
Out[166]: []

注意

可调用函数只会处理字段过多的行。由其他错误导致的坏行将被静默跳过。

In [167]: bad_lines_func = lambda line: print(line)

In [168]: data = 'name,type\nname a,a is of type a\nname b,"b\" is of type b"'

In [169]: data
Out[169]: 'name,type\nname a,a is of type a\nname b,"b" is of type b"'

In [170]: pd.read_csv(StringIO(data), on_bad_lines=bad_lines_func, engine="python")
Out[170]: 
     name            type
0  name a  a is of type a

在这种情况下,该行未被处理,因为此处的“坏行”是由转义字符引起的。

您还可以使用 usecols 参数来消除在某些行中出现但其他行中不出现的额外列数据。

In [171]: pd.read_csv(StringIO(data), usecols=[0, 1, 2])
---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
Cell In[171], line 1
----> 1 pd.read_csv(StringIO(data), usecols=[0, 1, 2])

File ~/work/pandas/pandas/pandas/io/parsers/readers.py:1026, in read_csv(filepath_or_buffer, sep, delimiter, header, names, index_col, usecols, dtype, engine, converters, true_values, false_values, skipinitialspace, skiprows, skipfooter, nrows, na_values, keep_default_na, na_filter, verbose, skip_blank_lines, parse_dates, infer_datetime_format, keep_date_col, date_parser, date_format, dayfirst, cache_dates, iterator, chunksize, compression, thousands, decimal, lineterminator, quotechar, quoting, doublequote, escapechar, comment, encoding, encoding_errors, dialect, on_bad_lines, delim_whitespace, low_memory, memory_map, float_precision, storage_options, dtype_backend)
   1013 kwds_defaults = _refine_defaults_read(
   1014     dialect,
   1015     delimiter,
   (...)
   1022     dtype_backend=dtype_backend,
   1023 )
   1024 kwds.update(kwds_defaults)
-> 1026 return _read(filepath_or_buffer, kwds)

File ~/work/pandas/pandas/pandas/io/parsers/readers.py:620, in _read(filepath_or_buffer, kwds)
    617 _validate_names(kwds.get("names", None))
    619 # Create the parser.
--> 620 parser = TextFileReader(filepath_or_buffer, **kwds)
    622 if chunksize or iterator:
    623     return parser

File ~/work/pandas/pandas/pandas/io/parsers/readers.py:1620, in TextFileReader.__init__(self, f, engine, **kwds)
   1617     self.options["has_index_names"] = kwds["has_index_names"]
   1619 self.handles: IOHandles | None = None
-> 1620 self._engine = self._make_engine(f, self.engine)

File ~/work/pandas/pandas/pandas/io/parsers/readers.py:1898, in TextFileReader._make_engine(self, f, engine)
   1895     raise ValueError(msg)
   1897 try:
-> 1898     return mapping[engine](f, **self.options)
   1899 except Exception:
   1900     if self.handles is not None:

File ~/work/pandas/pandas/pandas/io/parsers/c_parser_wrapper.py:155, in CParserWrapper.__init__(self, src, **kwds)
    152     # error: Cannot determine type of 'names'
    153     if len(self.names) < len(usecols):  # type: ignore[has-type]
    154         # error: Cannot determine type of 'names'
--> 155         self._validate_usecols_names(
    156             usecols,
    157             self.names,  # type: ignore[has-type]
    158         )
    160 # error: Cannot determine type of 'names'
    161 self._validate_parse_dates_presence(self.names)  # type: ignore[has-type]

File ~/work/pandas/pandas/pandas/io/parsers/base_parser.py:988, in ParserBase._validate_usecols_names(self, usecols, names)
    986 missing = [c for c in usecols if c not in names]
    987 if len(missing) > 0:
--> 988     raise ValueError(
    989         f"Usecols do not match columns, columns expected but not found: "
    990         f"{missing}"
    991     )
    993 return usecols

ValueError: Usecols do not match columns, columns expected but not found: [0, 1, 2]

如果您想保留所有数据,包括字段过多的行,可以指定足够数量的 names。这确保了字段不足的行将填充 NaN

In [172]: pd.read_csv(StringIO(data), names=['a', 'b', 'c', 'd'])
Out[172]: 
        a                b   c   d
0    name             type NaN NaN
1  name a   a is of type a NaN NaN
2  name b  b is of type b" NaN NaN

方言#

dialect 关键字在指定文件格式方面提供了更大的灵活性。默认情况下,它使用 Excel 方言,但您可以指定方言名称或 csv.Dialect 实例。

假设您有未加引号的数据。

In [173]: data = "label1,label2,label3\n" 'index1,"a,c,e\n' "index2,b,d,f"

In [174]: print(data)
label1,label2,label3
index1,"a,c,e
index2,b,d,f

默认情况下,read_csv 使用 Excel 方言并将双引号视为引用字符,这导致它在找到闭合双引号之前遇到换行符时失败。

我们可以使用 dialect 来解决这个问题。

In [175]: import csv

In [176]: dia = csv.excel()

In [177]: dia.quoting = csv.QUOTE_NONE

In [178]: pd.read_csv(StringIO(data), dialect=dia)
Out[178]: 
       label1 label2 label3
index1     "a      c      e
index2      b      d      f

所有方言选项都可以通过关键字参数单独指定。

In [179]: data = "a,b,c~1,2,3~4,5,6"

In [180]: pd.read_csv(StringIO(data), lineterminator="~")
Out[180]: 
   a  b  c
0  1  2  3
1  4  5  6

另一个常见的方言选项是 skipinitialspace,用于跳过分隔符后的任何空白字符。

In [181]: data = "a, b, c\n1, 2, 3\n4, 5, 6"

In [182]: print(data)
a, b, c
1, 2, 3
4, 5, 6

In [183]: pd.read_csv(StringIO(data), skipinitialspace=True)
Out[183]: 
   a  b  c
0  1  2  3
1  4  5  6

解析器会尽力“做正确的事”并且不脆弱。类型推断是一个相当重要的问题。如果一列可以在不改变内容的情况下强制转换为整数 dtype,解析器就会这样做。任何非数字列将像其他 pandas 对象一样以 object dtype 形式通过。

引号和转义字符#

嵌入字段中的引号(和其他转义字符)可以通过多种方式处理。一种方法是使用反斜杠;要正确解析此数据,您应该传入 escapechar 选项。

In [184]: data = 'a,b\n"hello, \\"Bob\\", nice to see you",5'

In [185]: print(data)
a,b
"hello, \"Bob\", nice to see you",5

In [186]: pd.read_csv(StringIO(data), escapechar="\\")
Out[186]: 
                               a  b
0  hello, "Bob", nice to see you  5

固定宽度列的文件#

尽管 read_csv() 读取带分隔符的数据,但 read_fwf() 函数处理具有已知固定列宽的数据文件。read_fwf 的函数参数与 read_csv 大致相同,但增加了两个额外参数,并且 delimiter 参数的使用方式不同。

  • colspecs:一个对(元组)列表,给出每行固定宽度字段的范围,表示为半开区间(即 [from, to[)。字符串值 ‘infer’ 可用于指示解析器尝试从数据的前 100 行检测列规范。如果未指定,默认行为是推断。

  • widths:一个字段宽度列表,如果区间是连续的,可以用它代替 ‘colspecs’。

  • delimiter:在固定宽度文件中视为填充字符的字符。如果字段的填充字符不是空格(例如 ‘~’),则可以使用此参数指定。

考虑一个典型的固定宽度数据文件。

In [187]: data1 = (
   .....:     "id8141    360.242940   149.910199   11950.7\n"
   .....:     "id1594    444.953632   166.985655   11788.4\n"
   .....:     "id1849    364.136849   183.628767   11806.2\n"
   .....:     "id1230    413.836124   184.375703   11916.8\n"
   .....:     "id1948    502.953953   173.237159   12468.3"
   .....: )
   .....: 

In [188]: with open("bar.csv", "w") as f:
   .....:     f.write(data1)
   .....: 

为了将此文件解析为 DataFrame,我们只需将列规范和文件名提供给 read_fwf 函数。

# Column specifications are a list of half-intervals
In [189]: colspecs = [(0, 6), (8, 20), (21, 33), (34, 43)]

In [190]: df = pd.read_fwf("bar.csv", colspecs=colspecs, header=None, index_col=0)

In [191]: df
Out[191]: 
                 1           2        3
0                                      
id8141  360.242940  149.910199  11950.7
id1594  444.953632  166.985655  11788.4
id1849  364.136849  183.628767  11806.2
id1230  413.836124  184.375703  11916.8
id1948  502.953953  173.237159  12468.3

请注意,当指定 header=None 参数时,解析器会自动选择列名 X.<列号>。或者,您也可以只提供连续列的列宽。

# Widths are a list of integers
In [192]: widths = [6, 14, 13, 10]

In [193]: df = pd.read_fwf("bar.csv", widths=widths, header=None)

In [194]: df
Out[194]: 
        0           1           2        3
0  id8141  360.242940  149.910199  11950.7
1  id1594  444.953632  166.985655  11788.4
2  id1849  364.136849  183.628767  11806.2
3  id1230  413.836124  184.375703  11916.8
4  id1948  502.953953  173.237159  12468.3

解析器将处理列周围的额外空白,因此文件中列之间有额外的分隔符也没关系。

默认情况下,read_fwf 会尝试使用文件的前 100 行来推断文件的 colspecs。只有当列对齐并由提供的 delimiter(默认分隔符为空格)正确分隔时,它才能做到这一点。

In [195]: df = pd.read_fwf("bar.csv", header=None, index_col=0)

In [196]: df
Out[196]: 
                 1           2        3
0                                      
id8141  360.242940  149.910199  11950.7
id1594  444.953632  166.985655  11788.4
id1849  364.136849  183.628767  11806.2
id1230  413.836124  184.375703  11916.8
id1948  502.953953  173.237159  12468.3

read_fwf 支持 dtype 参数,用于指定解析列的类型与推断类型不同。

In [197]: pd.read_fwf("bar.csv", header=None, index_col=0).dtypes
Out[197]: 
1    float64
2    float64
3    float64
dtype: object

In [198]: pd.read_fwf("bar.csv", header=None, dtype={2: "object"}).dtypes
Out[198]: 
0     object
1    float64
2     object
3    float64
dtype: object

索引#

带有“隐式”索引列的文件#

考虑一个文件,其头部条目比数据列数少一个

In [199]: data = "A,B,C\n20090101,a,1,2\n20090102,b,3,4\n20090103,c,4,5"

In [200]: print(data)
A,B,C
20090101,a,1,2
20090102,b,3,4
20090103,c,4,5

In [201]: with open("foo.csv", "w") as f:
   .....:     f.write(data)
   .....: 

在这种特殊情况下,read_csv 假定第一列将用作 DataFrame 的索引。

In [202]: pd.read_csv("foo.csv")
Out[202]: 
          A  B  C
20090101  a  1  2
20090102  b  3  4
20090103  c  4  5

请注意,日期没有自动解析。在这种情况下,您需要像以前一样操作。

In [203]: df = pd.read_csv("foo.csv", parse_dates=True)

In [204]: df.index
Out[204]: DatetimeIndex(['2009-01-01', '2009-01-02', '2009-01-03'], dtype='datetime64[ns]', freq=None)

读取带有 MultiIndex 的索引#

假设您的数据由两列索引

In [205]: data = 'year,indiv,zit,xit\n1977,"A",1.2,.6\n1977,"B",1.5,.5'

In [206]: print(data)
year,indiv,zit,xit
1977,"A",1.2,.6
1977,"B",1.5,.5

In [207]: with open("mindex_ex.csv", mode="w") as f:
   .....:     f.write(data)
   .....: 

read_csvindex_col 参数可以接受列号列表,将多列转换为返回对象的索引的 MultiIndex

In [208]: df = pd.read_csv("mindex_ex.csv", index_col=[0, 1])

In [209]: df
Out[209]: 
            zit  xit
year indiv          
1977 A      1.2  0.6
     B      1.5  0.5

In [210]: df.loc[1977]
Out[210]: 
       zit  xit
indiv          
A      1.2  0.6
B      1.5  0.5

读取带有 MultiIndex 的列#

通过为 header 参数指定行位置列表,您可以为列读取 MultiIndex。指定不连续的行将跳过中间的行。

In [211]: mi_idx = pd.MultiIndex.from_arrays([[1, 2, 3, 4], list("abcd")], names=list("ab"))

In [212]: mi_col = pd.MultiIndex.from_arrays([[1, 2], list("ab")], names=list("cd"))

In [213]: df = pd.DataFrame(np.ones((4, 2)), index=mi_idx, columns=mi_col)

In [214]: df.to_csv("mi.csv")

In [215]: print(open("mi.csv").read())
c,,1,2
d,,a,b
a,b,,
1,a,1.0,1.0
2,b,1.0,1.0
3,c,1.0,1.0
4,d,1.0,1.0


In [216]: pd.read_csv("mi.csv", header=[0, 1, 2, 3], index_col=[0, 1])
Out[216]: 
c                    1                  2
d                    a                  b
a   Unnamed: 2_level_2 Unnamed: 3_level_2
1                  1.0                1.0
2 b                1.0                1.0
3 c                1.0                1.0
4 d                1.0                1.0

read_csv 也能够解释更常见的多列索引格式。

In [217]: data = ",a,a,a,b,c,c\n,q,r,s,t,u,v\none,1,2,3,4,5,6\ntwo,7,8,9,10,11,12"

In [218]: print(data)
,a,a,a,b,c,c
,q,r,s,t,u,v
one,1,2,3,4,5,6
two,7,8,9,10,11,12

In [219]: with open("mi2.csv", "w") as fh:
   .....:     fh.write(data)
   .....: 

In [220]: pd.read_csv("mi2.csv", header=[0, 1], index_col=0)
Out[220]: 
     a         b   c    
     q  r  s   t   u   v
one  1  2  3   4   5   6
two  7  8  9  10  11  12

注意

如果未指定 index_col(例如,您没有索引,或者使用 df.to_csv(..., index=False) 写入),则列索引上的任何 names 都将丢失

自动“嗅探”分隔符#

read_csv 能够推断带分隔符(不一定是逗号分隔)的文件,因为 pandas 使用 csv 模块的 csv.Sniffer 类。为此,您必须指定 sep=None

In [221]: df = pd.DataFrame(np.random.randn(10, 4))

In [222]: df.to_csv("tmp2.csv", sep=":", index=False)

In [223]: pd.read_csv("tmp2.csv", sep=None, engine="python")
Out[223]: 
          0         1         2         3
0  0.469112 -0.282863 -1.509059 -1.135632
1  1.212112 -0.173215  0.119209 -1.044236
2 -0.861849 -2.104569 -0.494929  1.071804
3  0.721555 -0.706771 -1.039575  0.271860
4 -0.424972  0.567020  0.276232 -1.087401
5 -0.673690  0.113648 -1.478427  0.524988
6  0.404705  0.577046 -1.715002 -1.039268
7 -0.370647 -1.157892 -1.344312  0.844885
8  1.075770 -0.109050  1.643563 -1.469388
9  0.357021 -0.674600 -1.776904 -0.968914

读取多个文件以创建一个单独的 DataFrame#

最好使用 concat() 来组合多个文件。请参阅cookbook 以获取示例。

逐块迭代文件#

假设您希望懒惰地迭代一个(可能非常大)文件,而不是将整个文件读入内存,例如以下情况:

In [224]: df = pd.DataFrame(np.random.randn(10, 4))

In [225]: df.to_csv("tmp.csv", index=False)

In [226]: table = pd.read_csv("tmp.csv")

In [227]: table
Out[227]: 
          0         1         2         3
0 -1.294524  0.413738  0.276662 -0.472035
1 -0.013960 -0.362543 -0.006154 -0.923061
2  0.895717  0.805244 -1.206412  2.565646
3  1.431256  1.340309 -1.170299 -0.226169
4  0.410835  0.813850  0.132003 -0.827317
5 -0.076467 -1.187678  1.130127 -1.436737
6 -1.413681  1.607920  1.024180  0.569605
7  0.875906 -2.211372  0.974466 -2.006747
8 -0.410001 -0.078638  0.545952 -1.219217
9 -1.226825  0.769804 -1.281247 -0.727707

通过为 read_csv 指定 chunksize,返回值将是 TextFileReader 类型的可迭代对象。

In [228]: with pd.read_csv("tmp.csv", chunksize=4) as reader:
   .....:     print(reader)
   .....:     for chunk in reader:
   .....:         print(chunk)
   .....: 
<pandas.io.parsers.readers.TextFileReader object at 0x7f9452705a80>
          0         1         2         3
0 -1.294524  0.413738  0.276662 -0.472035
1 -0.013960 -0.362543 -0.006154 -0.923061
2  0.895717  0.805244 -1.206412  2.565646
3  1.431256  1.340309 -1.170299 -0.226169
          0         1         2         3
4  0.410835  0.813850  0.132003 -0.827317
5 -0.076467 -1.187678  1.130127 -1.436737
6 -1.413681  1.607920  1.024180  0.569605
7  0.875906 -2.211372  0.974466 -2.006747
          0         1         2         3
8 -0.410001 -0.078638  0.545952 -1.219217
9 -1.226825  0.769804 -1.281247 -0.727707

1.2 版本中的变化:read_csv/json/sas 在迭代文件时返回一个上下文管理器。

指定 iterator=True 也将返回 TextFileReader 对象。

In [229]: with pd.read_csv("tmp.csv", iterator=True) as reader:
   .....:     print(reader.get_chunk(5))
   .....: 
          0         1         2         3
0 -1.294524  0.413738  0.276662 -0.472035
1 -0.013960 -0.362543 -0.006154 -0.923061
2  0.895717  0.805244 -1.206412  2.565646
3  1.431256  1.340309 -1.170299 -0.226169
4  0.410835  0.813850  0.132003 -0.827317

指定解析器引擎#

Pandas 目前支持三种引擎:C 引擎、Python 引擎和实验性的 pyarrow 引擎(需要 pyarrow 包)。一般来说,pyarrow 引擎在大型工作负载上速度最快,并且在大多数其他工作负载上与 C 引擎速度相当。Python 引擎在大多数工作负载上往往比 pyarrow 和 C 引擎慢。然而,pyarrow 引擎的健壮性远低于 C 引擎,而 C 引擎又比 Python 引擎缺少一些功能。

如果可能,pandas 使用 C 解析器(指定为 engine='c'),但如果指定了 C 不支持的选项,它可能会回退到 Python。

目前,C 和 pyarrow 引擎不支持的选项包括:

  • 除了单个字符之外的 sep(例如正则表达式分隔符)

  • skipfooter

  • sep=Nonedelim_whitespace=False

指定上述任何选项都将生成 ParserWarning,除非使用 engine='python' 显式选择 Python 引擎。

pyarrow 引擎不支持但未在上述列表中涵盖的选项包括:

  • float_precision

  • chunksize

  • comment

  • nrows

  • thousands

  • memory_map

  • dialect

  • on_bad_lines

  • delim_whitespace

  • quoting

  • lineterminator

  • converters

  • decimal

  • iterator

  • dayfirst

  • infer_datetime_format

  • verbose

  • skipinitialspace

  • low_memory

将这些选项与 engine='pyarrow' 一起指定将引发 ValueError

读取/写入远程文件#

您可以将 URL 传递给 pandas 的许多 IO 函数以读取或写入远程文件——以下示例展示了读取 CSV 文件:

df = pd.read_csv("https://download.bls.gov/pub/time.series/cu/cu.item", sep="\t")

1.3.0 版新增。

可以通过将标头键值映射字典传递给 storage_options 关键字参数,如下所示,随 HTTP(s) 请求发送自定义标头:

headers = {"User-Agent": "pandas"}
df = pd.read_csv(
    "https://download.bls.gov/pub/time.series/cu/cu.item",
    sep="\t",
    storage_options=headers
)

所有非本地文件或 HTTP(s) 的 URL 都由 fsspec(如果已安装)及其各种文件系统实现(包括 Amazon S3、Google Cloud、SSH、FTP、webHDFS…)处理。其中一些实现将需要安装额外的包,例如 S3 URL 需要 s3fs 库。

df = pd.read_json("s3://pandas-test/adatafile.json")

在处理远程存储系统时,您可能需要在特殊位置使用环境变量或配置文件进行额外配置。例如,要访问 S3 存储桶中的数据,您需要以 S3Fs 文档中列出的几种方式之一定义凭据。对于某些存储后端也是如此,您应该遵循 fsimpl1 中内置于 fsspec 的实现链接,以及 fsimpl2 中未包含在主 fsspec 分发中的实现链接。

您也可以直接将参数传递给后端驱动程序。由于 fsspec 不使用 AWS_S3_HOST 环境变量,我们可以直接定义一个包含 endpoint_url 的字典,并将该对象传递给存储选项参数。

storage_options = {"client_kwargs": {"endpoint_url": "http://127.0.0.1:5555"}}}
df = pd.read_json("s3://pandas-test/test-1", storage_options=storage_options)

更多示例配置和文档可在 S3Fs 文档中找到。

如果您没有S3 凭据,您仍然可以通过指定匿名连接来访问公共数据,例如:

1.2.0 版新增。

pd.read_csv(
    "s3://ncei-wcsd-archive/data/processed/SH1305/18kHz/SaKe2013"
    "-D20130523-T080854_to_SaKe2013-D20130523-T085643.csv",
    storage_options={"anon": True},
)

fsspec 还允许复杂的 URL,用于访问压缩档案中的数据、本地文件缓存等。要本地缓存上述示例,您将修改调用为:

pd.read_csv(
    "simplecache::s3://ncei-wcsd-archive/data/processed/SH1305/18kHz/"
    "SaKe2013-D20130523-T080854_to_SaKe2013-D20130523-T085643.csv",
    storage_options={"s3": {"anon": True}},
)

在这里,我们指定“anon”参数是用于实现的“s3”部分,而不是用于缓存实现。请注意,这仅在会话期间缓存到临时目录,但您也可以指定永久存储。

写入数据#

写入 CSV 格式#

SeriesDataFrame 对象有一个实例方法 to_csv,它允许将对象内容存储为逗号分隔值文件。该函数接受许多参数,其中只有第一个是必需的。

  • path_or_buf:要写入的文件路径字符串或文件对象。如果为文件对象,则必须以 newline='' 打开。

  • sep:输出文件的字段分隔符(默认为“,”)

  • na_rep:缺失值的字符串表示(默认为‘’)

  • float_format:浮点数的格式字符串

  • columns:要写入的列(默认为 None)

  • header:是否写入列名(默认为 True)

  • index:是否写入行(索引)名称(默认为 True)

  • index_label:如果需要,索引列的列标签。如果为 None(默认),并且 headerindex 为 True,则使用索引名称。(如果 DataFrame 使用 MultiIndex,则应提供序列。)

  • mode:Python 写入模式,默认为 'w'

  • encoding:一个字符串,表示如果内容是非 ASCII,则要使用的编码,适用于 Python 3 之前的版本。

  • lineterminator:表示行尾的字符序列(默认为 os.linesep

  • quoting:设置引用规则,如 csv 模块所示(默认为 csv.QUOTE_MINIMAL)。请注意,如果您设置了 float_format,则浮点数将转换为字符串,并且 csv.QUOTE_NONNUMERIC 会将其视为非数字。

  • quotechar:用于引用字段的字符(默认为 '”')

  • doublequote:控制字段中 quotechar 的引用(默认为 True)

  • escapechar:在适当情况下用于转义 sepquotechar 的字符(默认为 None)

  • chunksize:每次写入的行数

  • date_format:datetime 对象的格式字符串

写入格式化字符串#

DataFrame 对象有一个实例方法 to_string,它允许控制对象的字符串表示。所有参数都是可选的。

  • buf 默认为 None,例如 StringIO 对象。

  • columns 默认为 None,要写入的列。

  • col_space 默认为 None,每列的最小宽度。

  • na_rep 默认为 NaN,NA 值的表示。

  • formatters 默认为 None,一个(按列分组的)函数字典,每个函数接受一个参数并返回一个格式化字符串。

  • float_format 默认为 None,一个函数,它接受一个(浮点数)参数并返回一个格式化字符串;应用于 DataFrame 中的浮点数。

  • sparsify 默认为 True,对于带有层次索引的 DataFrame,将其设置为 False 可在每行打印每个 MultiIndex 键。

  • index_names 默认为 True,将打印索引的名称。

  • index 默认为 True,将打印索引(即行标签)。

  • header 默认为 True,将打印列标签。

  • justify 默认为 left,将打印左对齐或右对齐的列标题。

Series 对象也有一个 to_string 方法,但只有 bufna_repfloat_format 参数。还有一个 length 参数,如果设置为 True,还将额外输出 Series 的长度。

JSON#

读取和写入 JSON 格式文件和字符串。

写入 JSON#

可以将 SeriesDataFrame 转换为有效的 JSON 字符串。使用带有可选参数的 to_json

  • path_or_buf:写入输出的路径名或缓冲区。这可以是 None,在这种情况下将返回一个 JSON 字符串。

  • orient :

    Series:
    • 默认为 index

    • 允许值为 {split, records, index}

    DataFrame:
    • 默认为 columns

    • 允许值为 {split, records, index, columns, values, table}

    JSON 字符串的格式

    split

    字典格式:{index -> [index]; columns -> [columns]; data -> [values]}

    records

    列表格式:[{column -> value}; … ]

    index

    字典格式:{index -> {column -> value}}

    columns

    字典格式:{column -> {index -> value}}

    values

    仅值数组

    table

    符合 JSON Table Schema

  • date_format:字符串,日期转换类型,'epoch' 表示时间戳,'iso' 表示 ISO8601。

  • double_precision:编码浮点值时使用的十进制位数,默认为 10。

  • force_ascii:强制编码字符串为 ASCII,默认为 True。

  • date_unit:编码的时间单位,控制时间戳和 ISO8601 精度。可选择 's'、'ms'、'us' 或 'ns',分别表示秒、毫秒、微秒和纳秒。默认为 'ms'。

  • default_handler:如果对象无法转换为 JSON 的合适格式,则调用的处理程序。它接受一个参数,即要转换的对象,并返回一个可序列化的对象。

  • lines:如果为 records orient,则将每条记录作为一行写入 JSON。

  • mode:字符串,写入路径时的写入模式。'w' 表示写入,'a' 表示追加。默认为 'w'。

请注意,NaNNaTNone 将转换为 nulldatetime 对象将根据 date_formatdate_unit 参数进行转换。

In [230]: dfj = pd.DataFrame(np.random.randn(5, 2), columns=list("AB"))

In [231]: json = dfj.to_json()

In [232]: json
Out[232]: '{"A":{"0":-0.1213062281,"1":0.6957746499,"2":0.9597255933,"3":-0.6199759194,"4":-0.7323393705},"B":{"0":-0.0978826728,"1":0.3417343559,"2":-1.1103361029,"3":0.1497483186,"4":0.6877383895}}'

Orient 选项#

生成 JSON 文件/字符串的格式有许多不同的选项。考虑以下 DataFrameSeries

In [233]: dfjo = pd.DataFrame(
   .....:     dict(A=range(1, 4), B=range(4, 7), C=range(7, 10)),
   .....:     columns=list("ABC"),
   .....:     index=list("xyz"),
   .....: )
   .....: 

In [234]: dfjo
Out[234]: 
   A  B  C
x  1  4  7
y  2  5  8
z  3  6  9

In [235]: sjo = pd.Series(dict(x=15, y=16, z=17), name="D")

In [236]: sjo
Out[236]: 
x    15
y    16
z    17
Name: D, dtype: int64

列导向DataFrame 的默认设置)将数据序列化为嵌套的 JSON 对象,其中列标签作为主索引。

In [237]: dfjo.to_json(orient="columns")
Out[237]: '{"A":{"x":1,"y":2,"z":3},"B":{"x":4,"y":5,"z":6},"C":{"x":7,"y":8,"z":9}}'

# Not available for Series

索引导向Series 的默认设置)类似于列导向,但索引标签现在是主要的。

In [238]: dfjo.to_json(orient="index")
Out[238]: '{"x":{"A":1,"B":4,"C":7},"y":{"A":2,"B":5,"C":8},"z":{"A":3,"B":6,"C":9}}'

In [239]: sjo.to_json(orient="index")
Out[239]: '{"x":15,"y":16,"z":17}'

记录导向将数据序列化为列 -> 值记录的 JSON 数组,不包含索引标签。这对于将 DataFrame 数据传递给绘图库非常有用,例如 JavaScript 库 d3.js

In [240]: dfjo.to_json(orient="records")
Out[240]: '[{"A":1,"B":4,"C":7},{"A":2,"B":5,"C":8},{"A":3,"B":6,"C":9}]'

In [241]: sjo.to_json(orient="records")
Out[241]: '[15,16,17]'

值导向是一个最简选项,它仅序列化为嵌套的值 JSON 数组,不包含列和索引标签。

In [242]: dfjo.to_json(orient="values")
Out[242]: '[[1,4,7],[2,5,8],[3,6,9]]'

# Not available for Series

拆分导向序列化为一个 JSON 对象,其中包含值、索引和列的单独条目。Series 也包含名称。

In [243]: dfjo.to_json(orient="split")
Out[243]: '{"columns":["A","B","C"],"index":["x","y","z"],"data":[[1,4,7],[2,5,8],[3,6,9]]}'

In [244]: sjo.to_json(orient="split")
Out[244]: '{"name":"D","index":["x","y","z"],"data":[15,16,17]}'

表格导向序列化为 JSON Table Schema,允许保留元数据,包括但不限于 dtypes 和索引名称。

注意

任何编码为 JSON 对象的 orient 选项在往返序列化期间都不会保留索引和列标签的顺序。如果您希望保留标签顺序,请使用 split 选项,因为它使用有序容器。

日期处理#

以 ISO 日期格式写入

In [245]: dfd = pd.DataFrame(np.random.randn(5, 2), columns=list("AB"))

In [246]: dfd["date"] = pd.Timestamp("20130101")

In [247]: dfd = dfd.sort_index(axis=1, ascending=False)

In [248]: json = dfd.to_json(date_format="iso")

In [249]: json
Out[249]: '{"date":{"0":"2013-01-01T00:00:00.000","1":"2013-01-01T00:00:00.000","2":"2013-01-01T00:00:00.000","3":"2013-01-01T00:00:00.000","4":"2013-01-01T00:00:00.000"},"B":{"0":0.403309524,"1":0.3016244523,"2":-1.3698493577,"3":1.4626960492,"4":-0.8265909164},"A":{"0":0.1764443426,"1":-0.1549507744,"2":-2.1798606054,"3":-0.9542078401,"4":-1.7431609117}}'

以 ISO 日期格式写入,带微秒

In [250]: json = dfd.to_json(date_format="iso", date_unit="us")

In [251]: json
Out[251]: '{"date":{"0":"2013-01-01T00:00:00.000000","1":"2013-01-01T00:00:00.000000","2":"2013-01-01T00:00:00.000000","3":"2013-01-01T00:00:00.000000","4":"2013-01-01T00:00:00.000000"},"B":{"0":0.403309524,"1":0.3016244523,"2":-1.3698493577,"3":1.4626960492,"4":-0.8265909164},"A":{"0":0.1764443426,"1":-0.1549507744,"2":-2.1798606054,"3":-0.9542078401,"4":-1.7431609117}}'

Epoch 时间戳,以秒为单位

In [252]: json = dfd.to_json(date_format="epoch", date_unit="s")

In [253]: json
Out[253]: '{"date":{"0":1,"1":1,"2":1,"3":1,"4":1},"B":{"0":0.403309524,"1":0.3016244523,"2":-1.3698493577,"3":1.4626960492,"4":-0.8265909164},"A":{"0":0.1764443426,"1":-0.1549507744,"2":-2.1798606054,"3":-0.9542078401,"4":-1.7431609117}}'

写入文件,带日期索引和日期列

In [254]: dfj2 = dfj.copy()

In [255]: dfj2["date"] = pd.Timestamp("20130101")

In [256]: dfj2["ints"] = list(range(5))

In [257]: dfj2["bools"] = True

In [258]: dfj2.index = pd.date_range("20130101", periods=5)

In [259]: dfj2.to_json("test.json")

In [260]: with open("test.json") as fh:
   .....:     print(fh.read())
   .....: 
{"A":{"1356998400000":-0.1213062281,"1357084800000":0.6957746499,"1357171200000":0.9597255933,"1357257600000":-0.6199759194,"1357344000000":-0.7323393705},"B":{"1356998400000":-0.0978826728,"1357084800000":0.3417343559,"1357171200000":-1.1103361029,"1357257600000":0.1497483186,"1357344000000":0.6877383895},"date":{"1356998400000":1356,"1357084800000":1356,"1357171200000":1356,"1357257600000":1356,"1357344000000":1356},"ints":{"1356998400000":0,"1357084800000":1,"1357171200000":2,"1357257600000":3,"1357344000000":4},"bools":{"1356998400000":true,"1357084800000":true,"1357171200000":true,"1357257600000":true,"1357344000000":true}}

回退行为#

如果 JSON 序列化器不能直接处理容器内容,它将以下列方式回退:

  • 如果 dtype 不受支持(例如 np.complex_),则如果提供了 default_handler,则将为每个值调用它,否则将引发异常。

  • 如果对象不受支持,它将尝试以下操作:

    • 检查对象是否定义了 toDict 方法并调用它。toDict 方法应返回一个 dict,然后将其 JSON 序列化。

    • 如果提供了 default_handler,则调用它。

    • 通过遍历其内容将对象转换为 dict。但是,这通常会因 OverflowError 而失败或给出意外结果。

通常,对于不支持的对象或 dtype,最好的方法是提供 default_handler。例如:

>>> DataFrame([1.0, 2.0, complex(1.0, 2.0)]).to_json()  # raises
RuntimeError: Unhandled numpy dtype 15

可以通过指定简单的 default_handler 来处理

In [261]: pd.DataFrame([1.0, 2.0, complex(1.0, 2.0)]).to_json(default_handler=str)
Out[261]: '{"0":{"0":"(1+0j)","1":"(2+0j)","2":"(1+2j)"}}'

读取 JSON#

将 JSON 字符串读取到 pandas 对象可以接受许多参数。如果未提供 typ 或其为 None,则解析器将尝试解析 DataFrame。要明确强制解析 Series,请传递 typ=series

  • filepath_or_buffer:一个有效的 JSON 字符串或文件句柄/StringIO。字符串可以是 URL。有效的 URL 方案包括 http、ftp、S3 和 file。对于文件 URL,需要一个主机。例如,本地文件可以是 file://localhost/path/to/table.json

  • typ:要恢复的对象类型(series 或 frame),默认为 'frame'。

  • orient :

    Series
    • 默认为 index

    • 允许值为 {split, records, index}

    DataFrame
    • 默认为 columns

    • 允许值为 {split, records, index, columns, values, table}

    JSON 字符串的格式

    split

    字典格式:{index -> [index]; columns -> [columns]; data -> [values]}

    records

    列表格式:[{column -> value} …]

    index

    字典格式:{index -> {column -> value}}

    columns

    字典格式:{column -> {index -> value}}

    values

    仅值数组

    table

    符合 JSON Table Schema

  • dtype:如果为 True,则推断 dtypes;如果为列到 dtype 的字典,则使用这些;如果为 False,则完全不推断 dtypes,默认为 True,仅应用于数据。

  • convert_axes:布尔值,尝试将轴转换为正确的 dtypes,默认为 True

  • convert_dates:要解析日期的列列表;如果为 True,则尝试解析日期类列,默认为 True

  • keep_default_dates:布尔值,默认为 True。如果解析日期,则解析默认的日期类列。

  • precise_float:布尔值,默认为 False。设置为 True 可在将字符串解码为双精度值时使用更高精度 (strtod) 函数。默认值 (False) 是使用快速但精度较低的内置功能。

  • date_unit:字符串,如果转换日期,要检测的时间戳单位。默认为 None。默认情况下将检测时间戳精度,如果不需要,则传递 's'、'ms'、'us' 或 'ns' 之一,以强制时间戳精度为秒、毫秒、微秒或纳秒。

  • lines:将文件读取为每行一个 json 对象。

  • encoding:用于解码 py3 字节的编码。

  • chunksize:与 lines=True 结合使用时,返回一个 pandas.api.typing.JsonReader,它每次迭代读取 chunksize 行。

  • engine:可以是 "ujson"(内置 JSON 解析器),也可以是 "pyarrow"(分派给 pyarrow 的 pyarrow.json.read_json)。"pyarrow" 仅在 lines=True 时可用。

如果 JSON 无法解析,解析器将引发 ValueError/TypeError/AssertionError 之一。

如果在编码为 JSON 时使用了非默认的 orient,请务必在此处传递相同的选项,以便解码产生合理的结果,请参阅 Orient 选项以获取概述。

数据转换#

convert_axes=Truedtype=Trueconvert_dates=True 的默认设置将尝试将轴和所有数据解析为适当的类型,包括日期。如果您需要覆盖特定的 dtype,请将字典传递给 dtypeconvert_axes 仅当您需要保留轴中的字符串类数字(例如“1”、“2”)时才应设置为 False

注意

如果 convert_dates=True 且数据和/或列标签看起来像“日期”,则大整数值可能会转换为日期。确切的阈值取决于指定的 date_unit。“日期类”表示列标签符合以下条件之一:

  • 它以 '_at' 结尾

  • 它以 '_time' 结尾

  • 它以 'timestamp' 开头

  • 它是 'modified'

  • 它是 'date'

警告

读取 JSON 数据时,自动强制转换为 dtypes 有一些奇怪之处:

  • 索引可以以与序列化不同的顺序重建,即,返回的顺序不保证与序列化之前相同。

  • 如果可以安全地将 float 数据列转换为 integer(例如,一列 1.),则会进行转换。

  • 布尔列在重建时将转换为 integer

因此,有时您可能希望通过 dtype 关键字参数指定特定的 dtypes。

从 JSON 字符串读取

In [262]: from io import StringIO

In [263]: pd.read_json(StringIO(json))
Out[263]: 
   date         B         A
0     1  0.403310  0.176444
1     1  0.301624 -0.154951
2     1 -1.369849 -2.179861
3     1  1.462696 -0.954208
4     1 -0.826591 -1.743161

从文件读取

In [264]: pd.read_json("test.json")
Out[264]: 
                   A         B  date  ints  bools
2013-01-01 -0.121306 -0.097883  1356     0   True
2013-01-02  0.695775  0.341734  1356     1   True
2013-01-03  0.959726 -1.110336  1356     2   True
2013-01-04 -0.619976  0.149748  1356     3   True
2013-01-05 -0.732339  0.687738  1356     4   True

不转换任何数据(但仍转换轴和日期)

In [265]: pd.read_json("test.json", dtype=object).dtypes
Out[265]: 
A        object
B        object
date     object
ints     object
bools    object
dtype: object

为转换指定 dtypes

In [266]: pd.read_json("test.json", dtype={"A": "float32", "bools": "int8"}).dtypes
Out[266]: 
A        float32
B        float64
date       int64
ints       int64
bools       int8
dtype: object

保留字符串索引

In [267]: from io import StringIO

In [268]: si = pd.DataFrame(
   .....:     np.zeros((4, 4)), columns=list(range(4)), index=[str(i) for i in range(4)]
   .....: )
   .....: 

In [269]: si
Out[269]: 
     0    1    2    3
0  0.0  0.0  0.0  0.0
1  0.0  0.0  0.0  0.0
2  0.0  0.0  0.0  0.0
3  0.0  0.0  0.0  0.0

In [270]: si.index
Out[270]: Index(['0', '1', '2', '3'], dtype='object')

In [271]: si.columns
Out[271]: Index([0, 1, 2, 3], dtype='int64')

In [272]: json = si.to_json()

In [273]: sij = pd.read_json(StringIO(json), convert_axes=False)

In [274]: sij
Out[274]: 
   0  1  2  3
0  0  0  0  0
1  0  0  0  0
2  0  0  0  0
3  0  0  0  0

In [275]: sij.index
Out[275]: Index(['0', '1', '2', '3'], dtype='object')

In [276]: sij.columns
Out[276]: Index(['0', '1', '2', '3'], dtype='object')

以纳秒写入的日期需要以纳秒读回

In [277]: from io import StringIO

In [278]: json = dfj2.to_json(date_unit="ns")

# Try to parse timestamps as milliseconds -> Won't Work
In [279]: dfju = pd.read_json(StringIO(json), date_unit="ms")

In [280]: dfju
Out[280]: 
                            A         B        date  ints  bools
1356998400000000000 -0.121306 -0.097883  1356998400     0   True
1357084800000000000  0.695775  0.341734  1356998400     1   True
1357171200000000000  0.959726 -1.110336  1356998400     2   True
1357257600000000000 -0.619976  0.149748  1356998400     3   True
1357344000000000000 -0.732339  0.687738  1356998400     4   True

# Let pandas detect the correct precision
In [281]: dfju = pd.read_json(StringIO(json))

In [282]: dfju
Out[282]: 
                   A         B       date  ints  bools
2013-01-01 -0.121306 -0.097883 2013-01-01     0   True
2013-01-02  0.695775  0.341734 2013-01-01     1   True
2013-01-03  0.959726 -1.110336 2013-01-01     2   True
2013-01-04 -0.619976  0.149748 2013-01-01     3   True
2013-01-05 -0.732339  0.687738 2013-01-01     4   True

# Or specify that all timestamps are in nanoseconds
In [283]: dfju = pd.read_json(StringIO(json), date_unit="ns")

In [284]: dfju
Out[284]: 
                   A         B        date  ints  bools
2013-01-01 -0.121306 -0.097883  1356998400     0   True
2013-01-02  0.695775  0.341734  1356998400     1   True
2013-01-03  0.959726 -1.110336  1356998400     2   True
2013-01-04 -0.619976  0.149748  1356998400     3   True
2013-01-05 -0.732339  0.687738  1356998400     4   True

通过设置 dtype_backend 参数,您可以控制生成的 DataFrame 的默认 dtypes。

In [285]: data = (
   .....:  '{"a":{"0":1,"1":3},"b":{"0":2.5,"1":4.5},"c":{"0":true,"1":false},"d":{"0":"a","1":"b"},'
   .....:  '"e":{"0":null,"1":6.0},"f":{"0":null,"1":7.5},"g":{"0":null,"1":true},"h":{"0":null,"1":"a"},'
   .....:  '"i":{"0":"12-31-2019","1":"12-31-2019"},"j":{"0":null,"1":null}}'
   .....: )
   .....: 

In [286]: df = pd.read_json(StringIO(data), dtype_backend="pyarrow")

In [287]: df
Out[287]: 
   a    b      c  d     e     f     g     h           i     j
0  1  2.5   True  a  <NA>  <NA>  <NA>  <NA>  12-31-2019  None
1  3  4.5  False  b     6   7.5  True     a  12-31-2019  None

In [288]: df.dtypes
Out[288]: 
a     int64[pyarrow]
b    double[pyarrow]
c      bool[pyarrow]
d    string[pyarrow]
e     int64[pyarrow]
f    double[pyarrow]
g      bool[pyarrow]
h    string[pyarrow]
i    string[pyarrow]
j      null[pyarrow]
dtype: object

规范化#

pandas 提供了一个实用函数,可以将字典或字典列表规范化为平面表。

In [289]: data = [
   .....:     {"id": 1, "name": {"first": "Coleen", "last": "Volk"}},
   .....:     {"name": {"given": "Mark", "family": "Regner"}},
   .....:     {"id": 2, "name": "Faye Raker"},
   .....: ]
   .....: 

In [290]: pd.json_normalize(data)
Out[290]: 
    id name.first name.last name.given name.family        name
0  1.0     Coleen      Volk        NaN         NaN         NaN
1  NaN        NaN       NaN       Mark      Regner         NaN
2  2.0        NaN       NaN        NaN         NaN  Faye Raker
In [291]: data = [
   .....:     {
   .....:         "state": "Florida",
   .....:         "shortname": "FL",
   .....:         "info": {"governor": "Rick Scott"},
   .....:         "county": [
   .....:             {"name": "Dade", "population": 12345},
   .....:             {"name": "Broward", "population": 40000},
   .....:             {"name": "Palm Beach", "population": 60000},
   .....:         ],
   .....:     },
   .....:     {
   .....:         "state": "Ohio",
   .....:         "shortname": "OH",
   .....:         "info": {"governor": "John Kasich"},
   .....:         "county": [
   .....:             {"name": "Summit", "population": 1234},
   .....:             {"name": "Cuyahoga", "population": 1337},
   .....:         ],
   .....:     },
   .....: ]
   .....: 

In [292]: pd.json_normalize(data, "county", ["state", "shortname", ["info", "governor"]])
Out[292]: 
         name  population    state shortname info.governor
0        Dade       12345  Florida        FL    Rick Scott
1     Broward       40000  Florida        FL    Rick Scott
2  Palm Beach       60000  Florida        FL    Rick Scott
3      Summit        1234     Ohio        OH   John Kasich
4    Cuyahoga        1337     Ohio        OH   John Kasich

max_level 参数提供了对规范化结束级别的更多控制。使用 max_level=1,以下代码段将规范化到提供的字典的第一个嵌套级别。

In [293]: data = [
   .....:     {
   .....:         "CreatedBy": {"Name": "User001"},
   .....:         "Lookup": {
   .....:             "TextField": "Some text",
   .....:             "UserField": {"Id": "ID001", "Name": "Name001"},
   .....:         },
   .....:         "Image": {"a": "b"},
   .....:     }
   .....: ]
   .....: 

In [294]: pd.json_normalize(data, max_level=1)
Out[294]: 
  CreatedBy.Name Lookup.TextField                    Lookup.UserField Image.a
0        User001        Some text  {'Id': 'ID001', 'Name': 'Name001'}       b

行分隔 JSON#

pandas 能够读取和写入在 Hadoop 或 Spark 数据处理管道中常见的行分隔 JSON 文件。

对于行分隔 JSON 文件,pandas 还可以返回一个迭代器,每次读取 chunksize 行。这对于大型文件或从流中读取非常有用。

In [295]: from io import StringIO

In [296]: jsonl = """
   .....:     {"a": 1, "b": 2}
   .....:     {"a": 3, "b": 4}
   .....: """
   .....: 

In [297]: df = pd.read_json(StringIO(jsonl), lines=True)

In [298]: df
Out[298]: 
   a  b
0  1  2
1  3  4

In [299]: df.to_json(orient="records", lines=True)
Out[299]: '{"a":1,"b":2}\n{"a":3,"b":4}\n'

# reader is an iterator that returns ``chunksize`` lines each iteration
In [300]: with pd.read_json(StringIO(jsonl), lines=True, chunksize=1) as reader:
   .....:     reader
   .....:     for chunk in reader:
   .....:         print(chunk)
   .....: 
Empty DataFrame
Columns: []
Index: []
   a  b
0  1  2
   a  b
1  3  4

也可以使用 pyarrow 读取器通过指定 engine="pyarrow" 来读取行分隔 JSON。

In [301]: from io import BytesIO

In [302]: df = pd.read_json(BytesIO(jsonl.encode()), lines=True, engine="pyarrow")

In [303]: df
Out[303]: 
   a  b
0  1  2
1  3  4

2.0.0 版新增。

表模式#

Table Schema 是一种将表格数据集描述为 JSON 对象的规范。JSON 包含字段名称、类型和其他属性的信息。您可以使用 orient table 来构建一个包含两个字段 schemadata 的 JSON 字符串。

In [304]: df = pd.DataFrame(
   .....:     {
   .....:         "A": [1, 2, 3],
   .....:         "B": ["a", "b", "c"],
   .....:         "C": pd.date_range("2016-01-01", freq="d", periods=3),
   .....:     },
   .....:     index=pd.Index(range(3), name="idx"),
   .....: )
   .....: 

In [305]: df
Out[305]: 
     A  B          C
idx                 
0    1  a 2016-01-01
1    2  b 2016-01-02
2    3  c 2016-01-03

In [306]: df.to_json(orient="table", date_format="iso")
Out[306]: '{"schema":{"fields":[{"name":"idx","type":"integer"},{"name":"A","type":"integer"},{"name":"B","type":"string"},{"name":"C","type":"datetime"}],"primaryKey":["idx"],"pandas_version":"1.4.0"},"data":[{"idx":0,"A":1,"B":"a","C":"2016-01-01T00:00:00.000"},{"idx":1,"A":2,"B":"b","C":"2016-01-02T00:00:00.000"},{"idx":2,"A":3,"B":"c","C":"2016-01-03T00:00:00.000"}]}'

schema 字段包含 fields 键,它本身包含一个列名到类型对的列表,包括 IndexMultiIndex(有关类型列表,请参见下文)。如果 (Multi)index 是唯一的,则 schema 字段还包含一个 primaryKey 字段。

第二个字段 data 包含带有 records orient 的序列化数据。索引包含在内,并且所有日期时间都以 ISO 8601 格式化,正如 Table Schema 规范所要求的那样。

支持的类型完整列表在 Table Schema 规范中描述。此表显示了从 pandas 类型到 Table Schema 类型的映射:

pandas 类型

Table Schema 类型

int64

integer

float64

number

bool

boolean

datetime64[ns]

datetime

timedelta64[ns]

duration

categorical

any

object

str

关于生成的表模式的一些注意事项:

  • schema 对象包含一个 pandas_version 字段。这包含 pandas 方言的模式版本,并将随着每次修订而增加。

  • 所有日期在序列化时都转换为 UTC。即使是时区无关的值,也会被视为 UTC,偏移量为 0。

    In [307]: from pandas.io.json import build_table_schema
    
    In [308]: s = pd.Series(pd.date_range("2016", periods=4))
    
    In [309]: build_table_schema(s)
    Out[309]: 
    {'fields': [{'name': 'index', 'type': 'integer'},
      {'name': 'values', 'type': 'datetime'}],
     'primaryKey': ['index'],
     'pandas_version': '1.4.0'}
    
  • 带有时区(序列化之前)的日期时间,包含一个额外的字段 tz,其中包含时区名称(例如 'US/Central')。

    In [310]: s_tz = pd.Series(pd.date_range("2016", periods=12, tz="US/Central"))
    
    In [311]: build_table_schema(s_tz)
    Out[311]: 
    {'fields': [{'name': 'index', 'type': 'integer'},
      {'name': 'values', 'type': 'datetime', 'tz': 'US/Central'}],
     'primaryKey': ['index'],
     'pandas_version': '1.4.0'}
    
  • 周期在序列化之前转换为时间戳,因此具有与转换为 UTC 相同的行为。此外,周期将包含一个额外的字段 freq,其中包含周期的频率,例如 'A-DEC'

    In [312]: s_per = pd.Series(1, index=pd.period_range("2016", freq="Y-DEC", periods=4))
    
    In [313]: build_table_schema(s_per)
    Out[313]: 
    {'fields': [{'name': 'index', 'type': 'datetime', 'freq': 'YE-DEC'},
      {'name': 'values', 'type': 'integer'}],
     'primaryKey': ['index'],
     'pandas_version': '1.4.0'}
    
  • Categoricals 使用 any 类型和一个 enum 约束,列出所有可能的值。此外,还包含一个 ordered 字段。

    In [314]: s_cat = pd.Series(pd.Categorical(["a", "b", "a"]))
    
    In [315]: build_table_schema(s_cat)
    Out[315]: 
    {'fields': [{'name': 'index', 'type': 'integer'},
      {'name': 'values',
       'type': 'any',
       'constraints': {'enum': ['a', 'b']},
       'ordered': False}],
     'primaryKey': ['index'],
     'pandas_version': '1.4.0'}
    
  • 如果索引是唯一的,则包含一个 primaryKey 字段,其中包含一个标签数组。

    In [316]: s_dupe = pd.Series([1, 2], index=[1, 1])
    
    In [317]: build_table_schema(s_dupe)
    Out[317]: 
    {'fields': [{'name': 'index', 'type': 'integer'},
      {'name': 'values', 'type': 'integer'}],
     'pandas_version': '1.4.0'}
    
  • primaryKey 的行为与 MultiIndexes 相同,但在这种情况下,primaryKey 是一个数组。

    In [318]: s_multi = pd.Series(1, index=pd.MultiIndex.from_product([("a", "b"), (0, 1)]))
    
    In [319]: build_table_schema(s_multi)
    Out[319]: 
    {'fields': [{'name': 'level_0', 'type': 'string'},
      {'name': 'level_1', 'type': 'integer'},
      {'name': 'values', 'type': 'integer'}],
     'primaryKey': FrozenList(['level_0', 'level_1']),
     'pandas_version': '1.4.0'}
    
  • 默认命名大致遵循以下规则:

    • 对于 Series,使用 object.name。如果为 None,则名称为 values

    • 对于 DataFrames,使用列名的字符串化版本。

    • 对于 Index(不是 MultiIndex),使用 index.name,如果为 None 则回退到 index

    • 对于 MultiIndex,使用 mi.names。如果任何级别没有名称,则使用 level_<i>

read_json 也接受 orient='table' 作为参数。这允许以可往返的方式保留元数据,例如 dtypes 和索引名称。

In [320]: df = pd.DataFrame(
   .....:     {
   .....:         "foo": [1, 2, 3, 4],
   .....:         "bar": ["a", "b", "c", "d"],
   .....:         "baz": pd.date_range("2018-01-01", freq="d", periods=4),
   .....:         "qux": pd.Categorical(["a", "b", "c", "c"]),
   .....:     },
   .....:     index=pd.Index(range(4), name="idx"),
   .....: )
   .....: 

In [321]: df
Out[321]: 
     foo bar        baz qux
idx                        
0      1   a 2018-01-01   a
1      2   b 2018-01-02   b
2      3   c 2018-01-03   c
3      4   d 2018-01-04   c

In [322]: df.dtypes
Out[322]: 
foo             int64
bar            object
baz    datetime64[ns]
qux          category
dtype: object

In [323]: df.to_json("test.json", orient="table")

In [324]: new_df = pd.read_json("test.json", orient="table")

In [325]: new_df
Out[325]: 
     foo bar        baz qux
idx                        
0      1   a 2018-01-01   a
1      2   b 2018-01-02   b
2      3   c 2018-01-03   c
3      4   d 2018-01-04   c

In [326]: new_df.dtypes
Out[326]: 
foo             int64
bar            object
baz    datetime64[ns]
qux          category
dtype: object

请注意,字面字符串“index”作为 Index 的名称不可往返,MultiIndex 中任何以 'level_' 开头的名称也不可往返。它们被 DataFrame.to_json() 默认用于表示缺失值,后续读取无法区分其意图。

In [327]: df.index.name = "index"

In [328]: df.to_json("test.json", orient="table")

In [329]: new_df = pd.read_json("test.json", orient="table")

In [330]: print(new_df.index.name)
None

当使用 orient='table' 以及用户定义的 ExtensionArray 时,生成的模式将在相应的 fields 元素中包含一个额外的 extDtype 键。这个额外的键不是标准键,但它确实能够为扩展类型进行 JSON 往返(例如 read_json(df.to_json(orient="table"), orient="table"))。

extDtype 键带有扩展的名称,如果您已正确注册 ExtensionDtype,pandas 将使用该名称在注册表中查找并将其序列化数据重新转换为您的自定义 dtype。

HTML#

读取 HTML 内容#

警告

我们强烈建议您阅读下面的HTML 表格解析陷阱,了解 BeautifulSoup4/html5lib/lxml 解析器相关的问题。

顶层函数 read_html() 可以接受 HTML 字符串/文件/URL,并将 HTML 表格解析为 pandas DataFrames 列表。我们来看几个例子。

注意

read_html 返回一个 DataFrame 对象列表,即使 HTML 内容中只包含一个表格。

不带任何选项读取 URL

In [320]: url = "https://www.fdic.gov/resources/resolutions/bank-failures/failed-bank-list"
In [321]: pd.read_html(url)
Out[321]:
[                         Bank NameBank           CityCity StateSt  ...              Acquiring InstitutionAI Closing DateClosing FundFund
 0                    Almena State Bank             Almena      KS  ...                          Equity Bank    October 23, 2020    10538
 1           First City Bank of Florida  Fort Walton Beach      FL  ...            United Fidelity Bank, fsb    October 16, 2020    10537
 2                 The First State Bank      Barboursville      WV  ...                       MVB Bank, Inc.       April 3, 2020    10536
 3                   Ericson State Bank            Ericson      NE  ...           Farmers and Merchants Bank   February 14, 2020    10535
 4     City National Bank of New Jersey             Newark      NJ  ...                      Industrial Bank    November 1, 2019    10534
 ..                                 ...                ...     ...  ...                                  ...                 ...      ...
 558                 Superior Bank, FSB           Hinsdale      IL  ...                Superior Federal, FSB       July 27, 2001     6004
 559                Malta National Bank              Malta      OH  ...                    North Valley Bank         May 3, 2001     4648
 560    First Alliance Bank & Trust Co.         Manchester      NH  ...  Southern New Hampshire Bank & Trust    February 2, 2001     4647
 561  National State Bank of Metropolis         Metropolis      IL  ...              Banterra Bank of Marion   December 14, 2000     4646
 562                   Bank of Honolulu           Honolulu      HI  ...                   Bank of the Orient    October 13, 2000     4645

 [563 rows x 7 columns]]

注意

上述 URL 的数据每周一都会更改,因此上述结果数据可能略有不同。

读取 URL 时随 HTTP 请求传递标头

In [322]: url = 'https://www.sump.org/notes/request/' # HTTP request reflector
In [323]: pd.read_html(url)
Out[323]:
[                   0                    1
 0     Remote Socket:  51.15.105.256:51760
 1  Protocol Version:             HTTP/1.1
 2    Request Method:                  GET
 3       Request URI:      /notes/request/
 4     Request Query:                  NaN,
 0   Accept-Encoding:             identity
 1              Host:         www.sump.org
 2        User-Agent:    Python-urllib/3.8
 3        Connection:                close]
In [324]: headers = {
In [325]:    'User-Agent':'Mozilla Firefox v14.0',
In [326]:    'Accept':'application/json',
In [327]:    'Connection':'keep-alive',
In [328]:    'Auth':'Bearer 2*/f3+fe68df*4'
In [329]: }
In [340]: pd.read_html(url, storage_options=headers)
Out[340]:
[                   0                    1
 0     Remote Socket:  51.15.105.256:51760
 1  Protocol Version:             HTTP/1.1
 2    Request Method:                  GET
 3       Request URI:      /notes/request/
 4     Request Query:                  NaN,
 0        User-Agent: Mozilla Firefox v14.0
 1    AcceptEncoding:   gzip,  deflate,  br
 2            Accept:      application/json
 3        Connection:             keep-alive
 4              Auth:  Bearer 2*/f3+fe68df*4]

注意

我们看到上面我们传递的标头反映在 HTTP 请求中。

读取上述 URL 文件内容并将其作为字符串传递给 read_html

In [331]: html_str = """
   .....:          <table>
   .....:              <tr>
   .....:                  <th>A</th>
   .....:                  <th colspan="1">B</th>
   .....:                  <th rowspan="1">C</th>
   .....:              </tr>
   .....:              <tr>
   .....:                  <td>a</td>
   .....:                  <td>b</td>
   .....:                  <td>c</td>
   .....:              </tr>
   .....:          </table>
   .....:      """
   .....: 

In [332]: with open("tmp.html", "w") as f:
   .....:     f.write(html_str)
   .....: 

In [333]: df = pd.read_html("tmp.html")

In [334]: df[0]
Out[334]: 
   A  B  C
0  a  b  c

如果您愿意,甚至可以传入 StringIO 的实例

In [335]: dfs = pd.read_html(StringIO(html_str))

In [336]: dfs[0]
Out[336]: 
   A  B  C
0  a  b  c

注意

以下示例未由 IPython 评估器运行,因为有太多网络访问功能会减慢文档构建速度。如果您发现错误或示例无法运行,请随时在 pandas GitHub issues 页面上报告。

读取 URL 并匹配包含特定文本的表格

match = "Metcalf Bank"
df_list = pd.read_html(url, match=match)

指定一个标题行(默认情况下,<thead> 内的 <th><td> 元素用于形成列索引;如果 <thead> 包含多行,则创建 MultiIndex);如果指定,标题行取自数据减去已解析的标题元素(<th> 元素)。

dfs = pd.read_html(url, header=0)

指定索引列

dfs = pd.read_html(url, index_col=0)

指定要跳过的行数

dfs = pd.read_html(url, skiprows=0)

使用列表指定要跳过的行数(range 也适用)

dfs = pd.read_html(url, skiprows=range(2))

指定 HTML 属性

dfs1 = pd.read_html(url, attrs={"id": "table"})
dfs2 = pd.read_html(url, attrs={"class": "sortable"})
print(np.array_equal(dfs1[0], dfs2[0]))  # Should be True

指定应转换为 NaN 的值

dfs = pd.read_html(url, na_values=["No Acquirer"])

指定是否保留默认的 NaN 值集

dfs = pd.read_html(url, keep_default_na=False)

指定列的转换器。这对于带有前导零的数值文本数据非常有用。默认情况下,数值列会转换为数值类型,并且前导零会丢失。为了避免这种情况,我们可以将这些列转换为字符串。

url_mcc = "https://en.wikipedia.org/wiki/Mobile_country_code?oldid=899173761"
dfs = pd.read_html(
    url_mcc,
    match="Telekom Albania",
    header=0,
    converters={"MNC": str},
)

使用上述某些组合

dfs = pd.read_html(url, match="Metcalf Bank", index_col=0)

读取 pandas to_html 输出(浮点精度有所损失)

df = pd.DataFrame(np.random.randn(2, 2))
s = df.to_html(float_format="{0:.40g}".format)
dfin = pd.read_html(s, index_col=0)

如果 lxml 后端是您提供的唯一解析器,则它将在解析失败时引发错误。如果您只有一个解析器,则可以只提供一个字符串,但通常建议传递一个包含一个字符串的列表,例如,如果函数期望字符串序列。您可以使用:

dfs = pd.read_html(url, "Metcalf Bank", index_col=0, flavor=["lxml"])

或者您可以不带列表地传递 flavor='lxml'

dfs = pd.read_html(url, "Metcalf Bank", index_col=0, flavor="lxml")

然而,如果您安装了 bs4 和 html5lib 并传递 None['lxml', 'bs4'],那么解析很可能会成功。请注意,一旦解析成功,函数将立即返回

dfs = pd.read_html(url, "Metcalf Bank", index_col=0, flavor=["lxml", "bs4"])

可以使用 extract_links="all" 从单元格中提取链接以及文本。

In [337]: html_table = """
   .....: <table>
   .....:   <tr>
   .....:     <th>GitHub</th>
   .....:   </tr>
   .....:   <tr>
   .....:     <td><a href="https://github.com/pandas-dev/pandas">pandas</a></td>
   .....:   </tr>
   .....: </table>
   .....: """
   .....: 

In [338]: df = pd.read_html(
   .....:     StringIO(html_table),
   .....:     extract_links="all"
   .....: )[0]
   .....: 

In [339]: df
Out[339]: 
                                   (GitHub, None)
0  (pandas, https://github.com/pandas-dev/pandas)

In [340]: df[("GitHub", None)]
Out[340]: 
0    (pandas, https://github.com/pandas-dev/pandas)
Name: (GitHub, None), dtype: object

In [341]: df[("GitHub", None)].str[1]
Out[341]: 
0    https://github.com/pandas-dev/pandas
Name: (GitHub, None), dtype: object

1.5.0 版本新增。

写入 HTML 文件#

DataFrame 对象有一个实例方法 to_html,它将 DataFrame 的内容渲染为 HTML 表格。函数参数与上面描述的 to_string 方法相同。

注意

为简洁起见,这里没有显示 DataFrame.to_html 的所有可能选项。有关完整选项集,请参阅 DataFrame.to_html()

注意

在 Jupyter Notebook 等支持 HTML 渲染的环境中,display(HTML(...))` 将把原始 HTML 渲染到环境中。

In [342]: from IPython.display import display, HTML

In [343]: df = pd.DataFrame(np.random.randn(2, 2))

In [344]: df
Out[344]: 
          0         1
0 -0.345352  1.314232
1  0.690579  0.995761

In [345]: html = df.to_html()

In [346]: print(html)  # raw html
<table border="1" class="dataframe">
  <thead>
    <tr style="text-align: right;">
      <th></th>
      <th>0</th>
      <th>1</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <th>0</th>
      <td>-0.345352</td>
      <td>1.314232</td>
    </tr>
    <tr>
      <th>1</th>
      <td>0.690579</td>
      <td>0.995761</td>
    </tr>
  </tbody>
</table>

In [347]: display(HTML(html))
<IPython.core.display.HTML object>

columns 参数将限制显示的列。

In [348]: html = df.to_html(columns=[0])

In [349]: print(html)
<table border="1" class="dataframe">
  <thead>
    <tr style="text-align: right;">
      <th></th>
      <th>0</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <th>0</th>
      <td>-0.345352</td>
    </tr>
    <tr>
      <th>1</th>
      <td>0.690579</td>
    </tr>
  </tbody>
</table>

In [350]: display(HTML(html))
<IPython.core.display.HTML object>

float_format 接受一个 Python 可调用对象来控制浮点值的精度。

In [351]: html = df.to_html(float_format="{0:.10f}".format)

In [352]: print(html)
<table border="1" class="dataframe">
  <thead>
    <tr style="text-align: right;">
      <th></th>
      <th>0</th>
      <th>1</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <th>0</th>
      <td>-0.3453521949</td>
      <td>1.3142323796</td>
    </tr>
    <tr>
      <th>1</th>
      <td>0.6905793352</td>
      <td>0.9957609037</td>
    </tr>
  </tbody>
</table>

In [353]: display(HTML(html))
<IPython.core.display.HTML object>

bold_rows 默认会将行标签加粗,但您可以将其关闭。

In [354]: html = df.to_html(bold_rows=False)

In [355]: print(html)
<table border="1" class="dataframe">
  <thead>
    <tr style="text-align: right;">
      <th></th>
      <th>0</th>
      <th>1</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <td>0</td>
      <td>-0.345352</td>
      <td>1.314232</td>
    </tr>
    <tr>
      <td>1</td>
      <td>0.690579</td>
      <td>0.995761</td>
    </tr>
  </tbody>
</table>

In [356]: display(HTML(html))
<IPython.core.display.HTML object>

classes 参数提供了为生成的 HTML 表格提供 CSS 类的功能。请注意,这些类是附加到现有 'dataframe' 类上的。

In [357]: print(df.to_html(classes=["awesome_table_class", "even_more_awesome_class"]))
<table border="1" class="dataframe awesome_table_class even_more_awesome_class">
  <thead>
    <tr style="text-align: right;">
      <th></th>
      <th>0</th>
      <th>1</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <th>0</th>
      <td>-0.345352</td>
      <td>1.314232</td>
    </tr>
    <tr>
      <th>1</th>
      <td>0.690579</td>
      <td>0.995761</td>
    </tr>
  </tbody>
</table>

render_links 参数提供了向包含 URL 的单元格添加超链接的功能。

In [358]: url_df = pd.DataFrame(
   .....:     {
   .....:         "name": ["Python", "pandas"],
   .....:         "url": ["https://pythonlang.cn/", "https://pandas.ac.cn"],
   .....:     }
   .....: )
   .....: 

In [359]: html = url_df.to_html(render_links=True)

In [360]: print(html)
<table border="1" class="dataframe">
  <thead>
    <tr style="text-align: right;">
      <th></th>
      <th>name</th>
      <th>url</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <th>0</th>
      <td>Python</td>
      <td><a href="https://pythonlang.cn/" target="_blank">https://pythonlang.cn/</a></td>
    </tr>
    <tr>
      <th>1</th>
      <td>pandas</td>
      <td><a href="https://pandas.ac.cn" target="_blank">https://pandas.ac.cn</a></td>
    </tr>
  </tbody>
</table>

In [361]: display(HTML(html))
<IPython.core.display.HTML object>

最后,escape 参数允许您控制是否在生成的 HTML 中转义“<”、“>”和“&”字符(默认为 True)。因此,要获取未转义字符的 HTML,请传递 escape=False

In [362]: df = pd.DataFrame({"a": list("&<>"), "b": np.random.randn(3)})

已转义

In [363]: html = df.to_html()

In [364]: print(html)
<table border="1" class="dataframe">
  <thead>
    <tr style="text-align: right;">
      <th></th>
      <th>a</th>
      <th>b</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <th>0</th>
      <td>&amp;</td>
      <td>2.396780</td>
    </tr>
    <tr>
      <th>1</th>
      <td>&lt;</td>
      <td>0.014871</td>
    </tr>
    <tr>
      <th>2</th>
      <td>&gt;</td>
      <td>3.357427</td>
    </tr>
  </tbody>
</table>

In [365]: display(HTML(html))
<IPython.core.display.HTML object>

未转义

In [366]: html = df.to_html(escape=False)

In [367]: print(html)
<table border="1" class="dataframe">
  <thead>
    <tr style="text-align: right;">
      <th></th>
      <th>a</th>
      <th>b</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <th>0</th>
      <td>&</td>
      <td>2.396780</td>
    </tr>
    <tr>
      <th>1</th>
      <td><</td>
      <td>0.014871</td>
    </tr>
    <tr>
      <th>2</th>
      <td>></td>
      <td>3.357427</td>
    </tr>
  </tbody>
</table>

In [368]: display(HTML(html))
<IPython.core.display.HTML object>

注意

一些浏览器可能不会显示前两个 HTML 表格在渲染上的差异。

HTML 表格解析陷阱#

在顶层 pandas IO 函数 read_html 中,用于解析 HTML 表格的库存在一些版本问题。

lxml 的问题

  • 优点

    • lxml 速度非常快。

    • lxml 需要正确安装 Cython。

  • 缺点

    • lxml 除非给定严格有效的标记,否则保证其解析结果。

    • 鉴于上述情况,我们选择允许您使用 lxml 后端,但如果 lxml 解析失败,此后端将使用 html5lib

    • 因此,强烈建议您安装 BeautifulSoup4html5lib,这样即使 lxml 失败,您仍然会得到有效的结果(如果其他一切都有效)。

使用 lxml 作为后端时 BeautifulSoup4 的问题

  • 上述问题在这里也适用,因为 BeautifulSoup4 本质上只是一个解析器后端的一个包装器。

使用 html5lib 作为后端时 BeautifulSoup4 的问题

  • 优点

    • html5liblxml 宽松得多,因此以一种更合理的方式处理现实生活中的标记,而不是仅仅,例如,在不通知您的情况下删除一个元素。

    • html5lib 能够自动从无效标记生成有效的 HTML5 标记。这对于解析 HTML 表格极其重要,因为它保证了一个有效文档。然而,这并不意味着它是“正确”的,因为修复标记的过程没有单一的定义。

    • html5lib 是纯 Python 实现,除了自身的安装之外不需要额外的构建步骤。

  • 缺点

    • 使用 html5lib 最大的缺点是它慢如蜗牛。然而,考虑到 Web 上许多表格不够大,解析算法的运行时间并不重要。瓶颈更可能在于从 Web 上通过 URL 读取原始文本的过程,即 IO(输入-输出)。对于非常大的表格,情况可能并非如此。

LaTeX#

1.3.0 版新增。

目前没有从 LaTeX 读取的方法,只有输出方法。

写入 LaTeX 文件#

注意

DataFrame Styler 对象目前都有 to_latex 方法。我们建议使用 Styler.to_latex() 方法,而不是 DataFrame.to_latex(),因为前者在条件样式方面更灵活,后者可能在未来被弃用。

查阅 Styler.to_latex 的文档,其中提供了条件样式示例并解释了其关键字参数的操作。

对于简单的应用,以下模式就足够了。

In [369]: df = pd.DataFrame([[1, 2], [3, 4]], index=["a", "b"], columns=["c", "d"])

In [370]: print(df.style.to_latex())
\begin{tabular}{lrr}
 & c & d \\
a & 1 & 2 \\
b & 3 & 4 \\
\end{tabular}

要在输出前格式化值,请链接 Styler.format 方法。

In [371]: print(df.style.format("€ {}").to_latex())
\begin{tabular}{lrr}
 & c & d \\
a & € 1 & € 2 \\
b & € 3 & € 4 \\
\end{tabular}

XML#

读取 XML#

1.3.0 版新增。

顶层函数 read_xml() 可以接受 XML 字符串/文件/URL,并将节点和属性解析为 pandas DataFrame

注意

由于没有标准的 XML 结构,设计类型可能多种多样,read_xml 最适用于更扁平、更浅的版本。如果 XML 文档嵌套很深,请使用 stylesheet 功能将 XML 转换为更扁平的版本。

我们来看几个例子。

读取 XML 字符串

In [372]: from io import StringIO

In [373]: xml = """<?xml version="1.0" encoding="UTF-8"?>
   .....: <bookstore>
   .....:   <book category="cooking">
   .....:     <title lang="en">Everyday Italian</title>
   .....:     <author>Giada De Laurentiis</author>
   .....:     <year>2005</year>
   .....:     <price>30.00</price>
   .....:   </book>
   .....:   <book category="children">
   .....:     <title lang="en">Harry Potter</title>
   .....:     <author>J K. Rowling</author>
   .....:     <year>2005</year>
   .....:     <price>29.99</price>
   .....:   </book>
   .....:   <book category="web">
   .....:     <title lang="en">Learning XML</title>
   .....:     <author>Erik T. Ray</author>
   .....:     <year>2003</year>
   .....:     <price>39.95</price>
   .....:   </book>
   .....: </bookstore>"""
   .....: 

In [374]: df = pd.read_xml(StringIO(xml))

In [375]: df
Out[375]: 
   category             title               author  year  price
0   cooking  Everyday Italian  Giada De Laurentiis  2005  30.00
1  children      Harry Potter         J K. Rowling  2005  29.99
2       web      Learning XML          Erik T. Ray  2003  39.95

不带任何选项读取 URL

In [376]: df = pd.read_xml("https://w3schools.org.cn/xml/books.xml")

In [377]: df
Out[377]: 
   category              title                  author  year  price      cover
0   cooking   Everyday Italian     Giada De Laurentiis  2005  30.00       None
1  children       Harry Potter            J K. Rowling  2005  29.99       None
2       web  XQuery Kick Start  Vaidyanathan Nagarajan  2003  49.99       None
3       web       Learning XML             Erik T. Ray  2003  39.95  paperback

读取“books.xml”文件内容并将其作为字符串传递给 read_xml

In [378]: file_path = "books.xml"

In [379]: with open(file_path, "w") as f:
   .....:     f.write(xml)
   .....: 

In [380]: with open(file_path, "r") as f:
   .....:     df = pd.read_xml(StringIO(f.read()))
   .....: 

In [381]: df
Out[381]: 
   category             title               author  year  price
0   cooking  Everyday Italian  Giada De Laurentiis  2005  30.00
1  children      Harry Potter         J K. Rowling  2005  29.99
2       web      Learning XML          Erik T. Ray  2003  39.95

将“books.xml”的内容作为 StringIOBytesIO 的实例读取,并将其传递给 read_xml

In [382]: with open(file_path, "r") as f:
   .....:     sio = StringIO(f.read())
   .....: 

In [383]: df = pd.read_xml(sio)

In [384]: df
Out[384]: 
   category             title               author  year  price
0   cooking  Everyday Italian  Giada De Laurentiis  2005  30.00
1  children      Harry Potter         J K. Rowling  2005  29.99
2       web      Learning XML          Erik T. Ray  2003  39.95
In [385]: with open(file_path, "rb") as f:
   .....:     bio = BytesIO(f.read())
   .....: 

In [386]: df = pd.read_xml(bio)

In [387]: df
Out[387]: 
   category             title               author  year  price
0   cooking  Everyday Italian  Giada De Laurentiis  2005  30.00
1  children      Harry Potter         J K. Rowling  2005  29.99
2       web      Learning XML          Erik T. Ray  2003  39.95

甚至可以从 AWS S3 存储桶读取 XML,例如 NIH NCBI PMC 文章数据集,其中包含生物医学和生命科学期刊。

In [388]: df = pd.read_xml(
   .....:     "s3://pmc-oa-opendata/oa_comm/xml/all/PMC1236943.xml",
   .....:     xpath=".//journal-meta",
   .....: )
   .....: 

In [389]: df
Out[389]: 
              journal-id              journal-title       issn  publisher
0  Cardiovasc Ultrasound  Cardiovascular Ultrasound  1476-7120        NaN

通过 lxml 作为默认 parser,您可以访问功能齐全的 XML 库,它扩展了 Python 的 ElementTree API。一个强大的工具是能够使用更具表现力的 XPath 有选择地或有条件地查询节点。

In [390]: df = pd.read_xml(file_path, xpath="//book[year=2005]")

In [391]: df
Out[391]: 
   category             title               author  year  price
0   cooking  Everyday Italian  Giada De Laurentiis  2005  30.00
1  children      Harry Potter         J K. Rowling  2005  29.99

指定只解析元素或只解析属性。

In [392]: df = pd.read_xml(file_path, elems_only=True)

In [393]: df
Out[393]: 
              title               author  year  price
0  Everyday Italian  Giada De Laurentiis  2005  30.00
1      Harry Potter         J K. Rowling  2005  29.99
2      Learning XML          Erik T. Ray  2003  39.95
In [394]: df = pd.read_xml(file_path, attrs_only=True)

In [395]: df
Out[395]: 
   category
0   cooking
1  children
2       web

XML 文档可以有带前缀的命名空间和不带前缀的默认命名空间,两者都用特殊属性 xmlns 表示。为了在命名空间上下文中按节点解析,xpath 必须引用一个前缀。

例如,下面的 XML 包含一个带前缀 doc 和 URI 为 https://example.com 的命名空间。为了解析 doc:row 节点,必须使用 namespaces

In [396]: xml = """<?xml version='1.0' encoding='utf-8'?>
   .....: <doc:data xmlns:doc="https://example.com">
   .....:   <doc:row>
   .....:     <doc:shape>square</doc:shape>
   .....:     <doc:degrees>360</doc:degrees>
   .....:     <doc:sides>4.0</doc:sides>
   .....:   </doc:row>
   .....:   <doc:row>
   .....:     <doc:shape>circle</doc:shape>
   .....:     <doc:degrees>360</doc:degrees>
   .....:     <doc:sides/>
   .....:   </doc:row>
   .....:   <doc:row>
   .....:     <doc:shape>triangle</doc:shape>
   .....:     <doc:degrees>180</doc:degrees>
   .....:     <doc:sides>3.0</doc:sides>
   .....:   </doc:row>
   .....: </doc:data>"""
   .....: 

In [397]: df = pd.read_xml(StringIO(xml),
   .....:                  xpath="//doc:row",
   .....:                  namespaces={"doc": "https://example.com"})
   .....: 

In [398]: df
Out[398]: 
      shape  degrees  sides
0    square      360    4.0
1    circle      360    NaN
2  triangle      180    3.0

同样,XML 文档可以有一个没有前缀的默认命名空间。如果未能为正确的 URI 分配临时前缀,将返回空节点并引发 ValueError。但是,将任何临时名称分配给正确的 URI 允许按节点进行解析。

In [399]: xml = """<?xml version='1.0' encoding='utf-8'?>
   .....: <data xmlns="https://example.com">
   .....:  <row>
   .....:    <shape>square</shape>
   .....:    <degrees>360</degrees>
   .....:    <sides>4.0</sides>
   .....:  </row>
   .....:  <row>
   .....:    <shape>circle</shape>
   .....:    <degrees>360</degrees>
   .....:    <sides/>
   .....:  </row>
   .....:  <row>
   .....:    <shape>triangle</shape>
   .....:    <degrees>180</degrees>
   .....:    <sides>3.0</sides>
   .....:  </row>
   .....: </data>"""
   .....: 

In [400]: df = pd.read_xml(StringIO(xml),
   .....:                  xpath="//pandas:row",
   .....:                  namespaces={"pandas": "https://example.com"})
   .....: 

In [401]: df
Out[401]: 
      shape  degrees  sides
0    square      360    4.0
1    circle      360    NaN
2  triangle      180    3.0

但是,如果 XPath 不引用节点名称(例如默认值 /*),则不需要 namespaces

注意

由于 xpath 标识要解析的内容的父级,因此只解析直接的后代,包括子节点或当前属性。因此,read_xml 不会解析孙子或其他后代的文本,也不会解析任何后代的属性。要检索较低级别的内容,请将 xpath 调整到较低级别。例如:

In [402]: xml = """
   .....: <data>
   .....:   <row>
   .....:     <shape sides="4">square</shape>
   .....:     <degrees>360</degrees>
   .....:   </row>
   .....:   <row>
   .....:     <shape sides="0">circle</shape>
   .....:     <degrees>360</degrees>
   .....:   </row>
   .....:   <row>
   .....:     <shape sides="3">triangle</shape>
   .....:     <degrees>180</degrees>
   .....:   </row>
   .....: </data>"""
   .....: 

In [403]: df = pd.read_xml(StringIO(xml), xpath="./row")

In [404]: df
Out[404]: 
      shape  degrees
0    square      360
1    circle      360
2  triangle      180

显示 shape 元素上的属性 sides 未按预期解析,因为此属性位于 row 元素的子级上,而不是 row 元素本身。换句话说,sides 属性是 row 元素的孙子级别后代。然而,xpath 目标是 row 元素,它只涵盖其子级和属性。

使用 lxml 作为解析器,您可以使用 XSLT 脚本展平嵌套的 XML 文档,该脚本也可以是字符串/文件/URL 类型。作为背景,XSLT 是一种用特殊 XML 文件编写的专用语言,可以使用 XSLT 处理器将原始 XML 文档转换为其他 XML、HTML 甚至文本(CSV、JSON 等)。

例如,考虑芝加哥“L”铁路客流量的这种有些嵌套的结构,其中车站和客流量元素在各自的部分中封装数据。通过以下 XSLT,lxml 可以将原始嵌套文档转换为更扁平的输出(如下所示用于演示),以便更轻松地解析为 DataFrame

In [405]: xml = """<?xml version='1.0' encoding='utf-8'?>
   .....:  <response>
   .....:   <row>
   .....:     <station id="40850" name="Library"/>
   .....:     <month>2020-09-01T00:00:00</month>
   .....:     <rides>
   .....:       <avg_weekday_rides>864.2</avg_weekday_rides>
   .....:       <avg_saturday_rides>534</avg_saturday_rides>
   .....:       <avg_sunday_holiday_rides>417.2</avg_sunday_holiday_rides>
   .....:     </rides>
   .....:   </row>
   .....:   <row>
   .....:     <station id="41700" name="Washington/Wabash"/>
   .....:     <month>2020-09-01T00:00:00</month>
   .....:     <rides>
   .....:       <avg_weekday_rides>2707.4</avg_weekday_rides>
   .....:       <avg_saturday_rides>1909.8</avg_saturday_rides>
   .....:       <avg_sunday_holiday_rides>1438.6</avg_sunday_holiday_rides>
   .....:     </rides>
   .....:   </row>
   .....:   <row>
   .....:     <station id="40380" name="Clark/Lake"/>
   .....:     <month>2020-09-01T00:00:00</month>
   .....:     <rides>
   .....:       <avg_weekday_rides>2949.6</avg_weekday_rides>
   .....:       <avg_saturday_rides>1657</avg_saturday_rides>
   .....:       <avg_sunday_holiday_rides>1453.8</avg_sunday_holiday_rides>
   .....:     </rides>
   .....:   </row>
   .....:  </response>"""
   .....: 

In [406]: xsl = """<xsl:stylesheet version="1.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
   .....:    <xsl:output method="xml" omit-xml-declaration="no" indent="yes"/>
   .....:    <xsl:strip-space elements="*"/>
   .....:    <xsl:template match="/response">
   .....:       <xsl:copy>
   .....:         <xsl:apply-templates select="row"/>
   .....:       </xsl:copy>
   .....:    </xsl:template>
   .....:    <xsl:template match="row">
   .....:       <xsl:copy>
   .....:         <station_id><xsl:value-of select="station/@id"/></station_id>
   .....:         <station_name><xsl:value-of select="station/@name"/></station_name>
   .....:         <xsl:copy-of select="month|rides/*"/>
   .....:       </xsl:copy>
   .....:    </xsl:template>
   .....:  </xsl:stylesheet>"""
   .....: 

In [407]: output = """<?xml version='1.0' encoding='utf-8'?>
   .....:  <response>
   .....:    <row>
   .....:       <station_id>40850</station_id>
   .....:       <station_name>Library</station_name>
   .....:       <month>2020-09-01T00:00:00</month>
   .....:       <avg_weekday_rides>864.2</avg_weekday_rides>
   .....:       <avg_saturday_rides>534</avg_saturday_rides>
   .....:       <avg_sunday_holiday_rides>417.2</avg_sunday_holiday_rides>
   .....:    </row>
   .....:    <row>
   .....:       <station_id>41700</station_id>
   .....:       <station_name>Washington/Wabash</station_name>
   .....:       <month>2020-09-01T00:00:00</month>
   .....:       <avg_weekday_rides>2707.4</avg_weekday_rides>
   .....:       <avg_saturday_rides>1909.8</avg_saturday_rides>
   .....:       <avg_sunday_holiday_rides>1438.6</avg_sunday_holiday_rides>
   .....:    </row>
   .....:    <row>
   .....:       <station_id>40380</station_id>
   .....:       <station_name>Clark/Lake</station_name>
   .....:       <month>2020-09-01T00:00:00</month>
   .....:       <avg_weekday_rides>2949.6</avg_weekday_rides>
   .....:       <avg_saturday_rides>1657</avg_saturday_rides>
   .....:       <avg_sunday_holiday_rides>1453.8</avg_sunday_holiday_rides>
   .....:    </row>
   .....:  </response>"""
   .....: 

In [408]: df = pd.read_xml(StringIO(xml), stylesheet=xsl)

In [409]: df
Out[409]: 
   station_id       station_name  ... avg_saturday_rides  avg_sunday_holiday_rides
0       40850            Library  ...              534.0                     417.2
1       41700  Washington/Wabash  ...             1909.8                    1438.6
2       40380         Clark/Lake  ...             1657.0                    1453.8

[3 rows x 6 columns]

对于大小从数百兆字节到千兆字节的非常大的 XML 文件,pandas.read_xml() 支持使用 lxml 的 iterparseetree 的 iterparse 解析此类大型文件,这些都是内存效率高的方法,可以迭代 XML 树并提取特定元素和属性,而无需将整个树保留在内存中。

1.5.0 版本新增。

要使用此功能,您必须将物理 XML 文件路径传入 read_xml 并使用 iterparse 参数。文件不应被压缩或指向在线源,而应存储在本地磁盘上。此外,iterparse 应该是一个字典,其中键是文档中重复的节点(它们成为行),值是作为重复节点的任何元素或属性的后代(即子级、孙子级)的列表。由于此方法中不使用 XPath,因此后代不需要彼此共享相同的关系。下面显示了读取维基百科非常大(12 GB+)最新文章数据转储的示例。

In [1]: df = pd.read_xml(
...         "/path/to/downloaded/enwikisource-latest-pages-articles.xml",
...         iterparse = {"page": ["title", "ns", "id"]}
...     )
...     df
Out[2]:
                                                     title   ns        id
0                                       Gettysburg Address    0     21450
1                                                Main Page    0     42950
2                            Declaration by United Nations    0      8435
3             Constitution of the United States of America    0      8435
4                     Declaration of Independence (Israel)    0     17858
...                                                    ...  ...       ...
3578760               Page:Black cat 1897 07 v2 n10.pdf/17  104    219649
3578761               Page:Black cat 1897 07 v2 n10.pdf/43  104    219649
3578762               Page:Black cat 1897 07 v2 n10.pdf/44  104    219649
3578763      The History of Tom Jones, a Foundling/Book IX    0  12084291
3578764  Page:Shakespeare of Stratford (1926) Yale.djvu/91  104     21450

[3578765 rows x 3 columns]

写入 XML#

1.3.0 版新增。

DataFrame 对象有一个实例方法 to_xml,它将 DataFrame 的内容渲染为 XML 文档。

注意

此方法不支持 XML 的特殊属性,包括 DTD、CData、XSD 模式、处理指令、注释等。只支持根级别的命名空间。然而,stylesheet 允许在初始输出后进行设计更改。

我们来看几个例子。

不带选项写入 XML

In [410]: geom_df = pd.DataFrame(
   .....:     {
   .....:         "shape": ["square", "circle", "triangle"],
   .....:         "degrees": [360, 360, 180],
   .....:         "sides": [4, np.nan, 3],
   .....:     }
   .....: )
   .....: 

In [411]: print(geom_df.to_xml())
<?xml version='1.0' encoding='utf-8'?>
<data>
  <row>
    <index>0</index>
    <shape>square</shape>
    <degrees>360</degrees>
    <sides>4.0</sides>
  </row>
  <row>
    <index>1</index>
    <shape>circle</shape>
    <degrees>360</degrees>
    <sides/>
  </row>
  <row>
    <index>2</index>
    <shape>triangle</shape>
    <degrees>180</degrees>
    <sides>3.0</sides>
  </row>
</data>

写入带有新根和行名称的 XML

In [412]: print(geom_df.to_xml(root_name="geometry", row_name="objects"))
<?xml version='1.0' encoding='utf-8'?>
<geometry>
  <objects>
    <index>0</index>
    <shape>square</shape>
    <degrees>360</degrees>
    <sides>4.0</sides>
  </objects>
  <objects>
    <index>1</index>
    <shape>circle</shape>
    <degrees>360</degrees>
    <sides/>
  </objects>
  <objects>
    <index>2</index>
    <shape>triangle</shape>
    <degrees>180</degrees>
    <sides>3.0</sides>
  </objects>
</geometry>

写入属性中心的 XML

In [413]: print(geom_df.to_xml(attr_cols=geom_df.columns.tolist()))
<?xml version='1.0' encoding='utf-8'?>
<data>
  <row index="0" shape="square" degrees="360" sides="4.0"/>
  <row index="1" shape="circle" degrees="360"/>
  <row index="2" shape="triangle" degrees="180" sides="3.0"/>
</data>

写入元素和属性的混合

In [414]: print(
   .....:     geom_df.to_xml(
   .....:         index=False,
   .....:         attr_cols=['shape'],
   .....:         elem_cols=['degrees', 'sides'])
   .....: )
   .....: 
<?xml version='1.0' encoding='utf-8'?>
<data>
  <row shape="square">
    <degrees>360</degrees>
    <sides>4.0</sides>
  </row>
  <row shape="circle">
    <degrees>360</degrees>
    <sides/>
  </row>
  <row shape="triangle">
    <degrees>180</degrees>
    <sides>3.0</sides>
  </row>
</data>

任何具有分层列的 DataFrames 都将被展平,XML 元素名称的级别以下划线分隔。

In [415]: ext_geom_df = pd.DataFrame(
   .....:     {
   .....:         "type": ["polygon", "other", "polygon"],
   .....:         "shape": ["square", "circle", "triangle"],
   .....:         "degrees": [360, 360, 180],
   .....:         "sides": [4, np.nan, 3],
   .....:     }
   .....: )
   .....: 

In [416]: pvt_df = ext_geom_df.pivot_table(index='shape',
   .....:                                  columns='type',
   .....:                                  values=['degrees', 'sides'],
   .....:                                  aggfunc='sum')
   .....: 

In [417]: pvt_df
Out[417]: 
         degrees         sides        
type       other polygon other polygon
shape                                 
circle     360.0     NaN   0.0     NaN
square       NaN   360.0   NaN     4.0
triangle     NaN   180.0   NaN     3.0

In [418]: print(pvt_df.to_xml())
<?xml version='1.0' encoding='utf-8'?>
<data>
  <row>
    <shape>circle</shape>
    <degrees_other>360.0</degrees_other>
    <degrees_polygon/>
    <sides_other>0.0</sides_other>
    <sides_polygon/>
  </row>
  <row>
    <shape>square</shape>
    <degrees_other/>
    <degrees_polygon>360.0</degrees_polygon>
    <sides_other/>
    <sides_polygon>4.0</sides_polygon>
  </row>
  <row>
    <shape>triangle</shape>
    <degrees_other/>
    <degrees_polygon>180.0</degrees_polygon>
    <sides_other/>
    <sides_polygon>3.0</sides_polygon>
  </row>
</data>

写入带有默认命名空间的 XML

In [419]: print(geom_df.to_xml(namespaces={"": "https://example.com"}))
<?xml version='1.0' encoding='utf-8'?>
<data xmlns="https://example.com">
  <row>
    <index>0</index>
    <shape>square</shape>
    <degrees>360</degrees>
    <sides>4.0</sides>
  </row>
  <row>
    <index>1</index>
    <shape>circle</shape>
    <degrees>360</degrees>
    <sides/>
  </row>
  <row>
    <index>2</index>
    <shape>triangle</shape>
    <degrees>180</degrees>
    <sides>3.0</sides>
  </row>
</data>

写入带有命名空间前缀的 XML

In [420]: print(
   .....:     geom_df.to_xml(namespaces={"doc": "https://example.com"},
   .....:                    prefix="doc")
   .....: )
   .....: 
<?xml version='1.0' encoding='utf-8'?>
<doc:data xmlns:doc="https://example.com">
  <doc:row>
    <doc:index>0</doc:index>
    <doc:shape>square</doc:shape>
    <doc:degrees>360</doc:degrees>
    <doc:sides>4.0</doc:sides>
  </doc:row>
  <doc:row>
    <doc:index>1</doc:index>
    <doc:shape>circle</doc:shape>
    <doc:degrees>360</doc:degrees>
    <doc:sides/>
  </doc:row>
  <doc:row>
    <doc:index>2</doc:index>
    <doc:shape>triangle</doc:shape>
    <doc:degrees>180</doc:degrees>
    <doc:sides>3.0</doc:sides>
  </doc:row>
</doc:data>

写入不带声明或美观打印的 XML

In [421]: print(
   .....:     geom_df.to_xml(xml_declaration=False,
   .....:                    pretty_print=False)
   .....: )
   .....: 
<data><row><index>0</index><shape>square</shape><degrees>360</degrees><sides>4.0</sides></row><row><index>1</index><shape>circle</shape><degrees>360</degrees><sides/></row><row><index>2</index><shape>triangle</shape><degrees>180</degrees><sides>3.0</sides></row></data>

写入 XML 并使用样式表进行转换

In [422]: xsl = """<xsl:stylesheet version="1.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
   .....:    <xsl:output method="xml" omit-xml-declaration="no" indent="yes"/>
   .....:    <xsl:strip-space elements="*"/>
   .....:    <xsl:template match="/data">
   .....:      <geometry>
   .....:        <xsl:apply-templates select="row"/>
   .....:      </geometry>
   .....:    </xsl:template>
   .....:    <xsl:template match="row">
   .....:      <object index="{index}">
   .....:        <xsl:if test="shape!='circle'">
   .....:            <xsl:attribute name="type">polygon</xsl:attribute>
   .....:        </xsl:if>
   .....:        <xsl:copy-of select="shape"/>
   .....:        <property>
   .....:            <xsl:copy-of select="degrees|sides"/>
   .....:        </property>
   .....:      </object>
   .....:    </xsl:template>
   .....:  </xsl:stylesheet>"""
   .....: 

In [423]: print(geom_df.to_xml(stylesheet=xsl))
<?xml version="1.0"?>
<geometry>
  <object index="0" type="polygon">
    <shape>square</shape>
    <property>
      <degrees>360</degrees>
      <sides>4.0</sides>
    </property>
  </object>
  <object index="1">
    <shape>circle</shape>
    <property>
      <degrees>360</degrees>
      <sides/>
    </property>
  </object>
  <object index="2" type="polygon">
    <shape>triangle</shape>
    <property>
      <degrees>180</degrees>
      <sides>3.0</sides>
    </property>
  </object>
</geometry>

XML 最终注意事项#

  • 所有 XML 文档都遵循 W3C 规范。无论是 etree 还是 lxml 解析器,都无法解析任何格式不正确或不遵循 XML 语法规则的标记文档。请注意,HTML 不是 XML 文档,除非它遵循 XHTML 规范。然而,其他流行的标记类型,包括 KML、XAML、RSS、MusicML、MathML 都是符合 XML 模式的。

  • 基于上述原因,如果您的应用程序在 pandas 操作之前构建 XML,请使用适当的 DOM 库(如 etreelxml)来构建必要的文档,而不是通过字符串连接或正则表达式调整。请始终记住 XML 是一个带有标记规则的特殊文本文件。

  • 对于非常大的 XML 文件(数百 MB 到 GB 级),XPath 和 XSLT 可能会成为内存密集型操作。请确保有足够的可用 RAM 来读取和写入大型 XML 文件(大约是文本大小的 5 倍)。

  • 因为 XSLT 是一种编程语言,请谨慎使用它,因为此类脚本可能在您的环境中构成安全风险,并且可能运行大量或无限的递归操作。在全面运行之前,务必在小片段上测试脚本。

  • etree 解析器支持 read_xmlto_xml 的所有功能,除了复杂的 XPath 和任何 XSLT。尽管功能有限,etree 仍然是一个可靠且有能力的解析器和树构建器。对于大型文件,其性能可能会在一定程度上落后于 lxml,但在中小型文件上相对不明显。

Excel 文件#

read_excel() 方法可以使用 openpyxl Python 模块读取 Excel 2007+ (.xlsx) 文件。Excel 2003 (.xls) 文件可以使用 xlrd 读取。二进制 Excel (.xlsb) 文件可以使用 pyxlsb 读取。所有格式都可以使用 calamine 引擎读取。to_excel() 实例方法用于将 DataFrame 保存到 Excel。通常,语义与处理 csv 数据相似。请参阅 cookbook 以获取一些高级策略。

注意

engine=None 时,将使用以下逻辑来确定引擎:

  • 如果 path_or_buffer 是 OpenDocument 格式(.odf, .ods, .odt),则将使用 odf

  • 否则,如果 path_or_buffer 是 xls 格式,将使用 xlrd

  • 否则,如果 path_or_buffer 是 xlsb 格式,将使用 pyxlsb

  • 否则,将使用 openpyxl

读取 Excel 文件#

在最基本的用例中,read_excel 接受 Excel 文件的路径和指示要解析哪个工作表的 sheet_name

当使用 engine_kwargs 参数时,pandas 会将这些参数传递给引擎。为此,了解 pandas 内部使用的是哪个函数非常重要。

  • 对于 openpyxl 引擎,pandas 使用 openpyxl.load_workbook() 来读取 (.xlsx) 和 (.xlsm) 文件。

  • 对于 xlrd 引擎,pandas 使用 xlrd.open_workbook() 来读取 (.xls) 文件。

  • 对于 pyxlsb 引擎,pandas 使用 pyxlsb.open_workbook() 来读取 (.xlsb) 文件。

  • 对于 odf 引擎,pandas 使用 odf.opendocument.load() 来读取 (.ods) 文件。

  • 对于 calamine 引擎,pandas 使用 python_calamine.load_workbook() 来读取 (.xlsx)、(.xlsm)、(.xls)、(.xlsb)、(.ods) 文件。

# Returns a DataFrame
pd.read_excel("path_to_file.xls", sheet_name="Sheet1")

ExcelFile#

为了方便处理同一个文件中的多个工作表,可以使用 ExcelFile 类来封装文件,并将其传递给 read_excel。由于文件只会被读取到内存一次,因此读取多个工作表时会带来性能优势。

xlsx = pd.ExcelFile("path_to_file.xls")
df = pd.read_excel(xlsx, "Sheet1")

ExcelFile 类也可以用作上下文管理器。

with pd.ExcelFile("path_to_file.xls") as xls:
    df1 = pd.read_excel(xls, "Sheet1")
    df2 = pd.read_excel(xls, "Sheet2")

sheet_names 属性将生成文件中工作表名称的列表。

ExcelFile 的主要用例是使用不同的参数解析多个工作表。

data = {}
# For when Sheet1's format differs from Sheet2
with pd.ExcelFile("path_to_file.xls") as xls:
    data["Sheet1"] = pd.read_excel(xls, "Sheet1", index_col=None, na_values=["NA"])
    data["Sheet2"] = pd.read_excel(xls, "Sheet2", index_col=1)

请注意,如果所有工作表都使用相同的解析参数,则可以将工作表名称列表直接传递给 read_excel,而不会造成性能损失。

# using the ExcelFile class
data = {}
with pd.ExcelFile("path_to_file.xls") as xls:
    data["Sheet1"] = pd.read_excel(xls, "Sheet1", index_col=None, na_values=["NA"])
    data["Sheet2"] = pd.read_excel(xls, "Sheet2", index_col=None, na_values=["NA"])

# equivalent using the read_excel function
data = pd.read_excel(
    "path_to_file.xls", ["Sheet1", "Sheet2"], index_col=None, na_values=["NA"]
)

ExcelFile 也可以通过传入 xlrd.book.Book 对象作为参数来调用。这允许用户控制 Excel 文件的读取方式。例如,可以通过调用 xlrd.open_workbook() 并设置 on_demand=True 来按需加载工作表。

import xlrd

xlrd_book = xlrd.open_workbook("path_to_file.xls", on_demand=True)
with pd.ExcelFile(xlrd_book) as xls:
    df1 = pd.read_excel(xls, "Sheet1")
    df2 = pd.read_excel(xls, "Sheet2")

指定工作表#

注意

第二个参数是 sheet_name,不要与 ExcelFile.sheet_names 混淆。

注意

ExcelFile 的属性 sheet_names 提供对工作表列表的访问。

  • 参数 sheet_name 允许指定要读取的一个或多个工作表。

  • sheet_name 的默认值为 0,表示读取第一个工作表。

  • 传入一个字符串来指定工作簿中特定工作表的名称。

  • 传入一个整数来指定工作表的索引。索引遵循 Python 约定,从 0 开始。

  • 传入一个包含字符串或整数的列表,以返回指定工作表的字典。

  • 传入 None 以返回所有可用工作表的字典。

# Returns a DataFrame
pd.read_excel("path_to_file.xls", "Sheet1", index_col=None, na_values=["NA"])

使用工作表索引

# Returns a DataFrame
pd.read_excel("path_to_file.xls", 0, index_col=None, na_values=["NA"])

使用所有默认值

# Returns a DataFrame
pd.read_excel("path_to_file.xls")

使用 None 获取所有工作表

# Returns a dictionary of DataFrames
pd.read_excel("path_to_file.xls", sheet_name=None)

使用列表获取多个工作表

# Returns the 1st and 4th sheet, as a dictionary of DataFrames.
pd.read_excel("path_to_file.xls", sheet_name=["Sheet1", 3])

read_excel 可以读取多个工作表,通过将 sheet_name 设置为工作表名称列表、工作表位置列表或 None 来读取所有工作表。工作表可以分别通过整数(工作表索引)或字符串(工作表名称)来指定。

读取 MultiIndex#

read_excel 可以通过将列列表传递给 index_col 来读取 MultiIndex 索引,并通过将行列表传递给 header 来读取 MultiIndex 列。如果 indexcolumns 具有序列化的级别名称,则通过指定构成这些级别的行/列,这些名称也将被读取。

例如,读取没有名称的 MultiIndex 索引:

In [424]: df = pd.DataFrame(
   .....:     {"a": [1, 2, 3, 4], "b": [5, 6, 7, 8]},
   .....:     index=pd.MultiIndex.from_product([["a", "b"], ["c", "d"]]),
   .....: )
   .....: 

In [425]: df.to_excel("path_to_file.xlsx")

In [426]: df = pd.read_excel("path_to_file.xlsx", index_col=[0, 1])

In [427]: df
Out[427]: 
     a  b
a c  1  5
  d  2  6
b c  3  7
  d  4  8

如果索引具有级别名称,它们也将使用相同的参数进行解析。

In [428]: df.index = df.index.set_names(["lvl1", "lvl2"])

In [429]: df.to_excel("path_to_file.xlsx")

In [430]: df = pd.read_excel("path_to_file.xlsx", index_col=[0, 1])

In [431]: df
Out[431]: 
           a  b
lvl1 lvl2      
a    c     1  5
     d     2  6
b    c     3  7
     d     4  8

如果源文件同时具有 MultiIndex 索引和列,则应将分别指定它们的列表传递给 index_colheader

In [432]: df.columns = pd.MultiIndex.from_product([["a"], ["b", "d"]], names=["c1", "c2"])

In [433]: df.to_excel("path_to_file.xlsx")

In [434]: df = pd.read_excel("path_to_file.xlsx", index_col=[0, 1], header=[0, 1])

In [435]: df
Out[435]: 
c1         a   
c2         b  d
lvl1 lvl2      
a    c     1  5
     d     2  6
b    c     3  7
     d     4  8

index_col 中指定列的缺失值将被前向填充,以允许与 to_excelmerged_cells=True 时进行往返转换。为避免前向填充缺失值,请在读取数据后使用 set_index 而不是 index_col

解析特定列#

用户通常会在 Excel 中插入列进行临时计算,您可能不希望读取这些列。read_excel 接受一个 usecols 关键字,允许您指定要解析的列子集。

您可以将逗号分隔的 Excel 列和范围集指定为字符串。

pd.read_excel("path_to_file.xls", "Sheet1", usecols="A,C:E")

如果 usecols 是一个整数列表,则假定它是要解析的文件列索引。

pd.read_excel("path_to_file.xls", "Sheet1", usecols=[0, 2, 3])

元素顺序将被忽略,因此 usecols=[0, 1][1, 0] 相同。

如果 usecols 是一个字符串列表,则假定每个字符串对应于用户在 names 中提供或从文档标题行推断出的列名。这些字符串定义了将要解析哪些列。

pd.read_excel("path_to_file.xls", "Sheet1", usecols=["foo", "bar"])

元素顺序将被忽略,因此 usecols=['baz', 'joe']['joe', 'baz'] 相同。

如果 usecols 是可调用对象,则该可调用函数将根据列名进行评估,返回可调用函数评估为 True 的列名。

pd.read_excel("path_to_file.xls", "Sheet1", usecols=lambda x: x.isalpha())

解析日期#

读取 Excel 文件时,日期时间类值通常会自动转换为适当的 dtype。但是,如果您有一列字符串看起来像日期(但实际上在 Excel 中并未格式化为日期),您可以使用 parse_dates 关键字将这些字符串解析为日期时间。

pd.read_excel("path_to_file.xls", "Sheet1", parse_dates=["date_strings"])

单元格转换器#

可以通过 converters 选项转换 Excel 单元格的内容。例如,将一列转换为布尔值:

pd.read_excel("path_to_file.xls", "Sheet1", converters={"MyBools": bool})

此选项处理缺失值,并将转换器中的异常视为缺失数据。转换是逐单元格应用的,而不是对整个列应用,因此不保证数组的 dtype。例如,包含缺失值的整数列无法转换为整数 dtype 的数组,因为 NaN 严格来说是浮点数。您可以手动屏蔽缺失数据以恢复整数 dtype。

def cfun(x):
    return int(x) if x else -1


pd.read_excel("path_to_file.xls", "Sheet1", converters={"MyInts": cfun})

Dtype 规范#

作为转换器的替代方案,可以使用 dtype 关键字指定整个列的类型,该关键字接受一个将列名映射到类型的字典。要解释不进行类型推断的数据,请使用类型 strobject

pd.read_excel("path_to_file.xls", dtype={"MyInts": "int64", "MyText": str})

写入 Excel 文件#

将 Excel 文件写入磁盘#

要将 DataFrame 对象写入 Excel 文件的工作表,可以使用 to_excel 实例方法。其参数与上面描述的 to_csv 大致相同,第一个参数是 Excel 文件名,可选的第二个参数是要写入 DataFrame 的工作表名称。例如:

df.to_excel("path_to_file.xlsx", sheet_name="Sheet1")

扩展名为 .xlsx 的文件将使用 xlsxwriter(如果可用)或 openpyxl 写入。

DataFrame 将以模仿 REPL 输出的方式写入。index_label 将被放置在第二行而不是第一行。您可以通过将 to_excel() 中的 merge_cells 选项设置为 False 来将其放置在第一行。

df.to_excel("path_to_file.xlsx", index_label="label", merge_cells=False)

为了将独立的 DataFrames 写入单个 Excel 文件中的不同工作表,可以传递一个 ExcelWriter

with pd.ExcelWriter("path_to_file.xlsx") as writer:
    df1.to_excel(writer, sheet_name="Sheet1")
    df2.to_excel(writer, sheet_name="Sheet2")

当使用 engine_kwargs 参数时,pandas 会将这些参数传递给引擎。为此,了解 pandas 内部使用的是哪个函数非常重要。

  • 对于 openpyxl 引擎,pandas 使用 openpyxl.Workbook() 创建新工作表,并使用 openpyxl.load_workbook() 将数据追加到现有工作表。openpyxl 引擎写入 (.xlsx) 和 (.xlsm) 文件。

  • 对于 xlsxwriter 引擎,pandas 使用 xlsxwriter.Workbook() 写入 (.xlsx) 文件。

  • 对于 odf 引擎,pandas 使用 odf.opendocument.OpenDocumentSpreadsheet() 写入 (.ods) 文件。

将 Excel 文件写入内存#

pandas 支持使用 ExcelWriter 将 Excel 文件写入类似缓冲区的对象,例如 StringIOBytesIO

from io import BytesIO

bio = BytesIO()

# By setting the 'engine' in the ExcelWriter constructor.
writer = pd.ExcelWriter(bio, engine="xlsxwriter")
df.to_excel(writer, sheet_name="Sheet1")

# Save the workbook
writer.save()

# Seek to the beginning and read to copy the workbook to a variable in memory
bio.seek(0)
workbook = bio.read()

注意

engine 是可选的,但建议设置。设置引擎决定了生成的 Excel 工作簿版本。设置 engine='xlrd' 将生成 Excel 2003 格式的工作簿 (xls)。使用 'openpyxl''xlsxwriter' 将生成 Excel 2007 格式的工作簿 (xlsx)。如果省略,则生成 Excel 2007 格式的工作簿。

Excel 写入引擎#

pandas 通过两种方法选择 Excel 写入器:

  1. engine 关键字参数

  2. 文件名扩展名(通过配置选项中指定的默认值)

默认情况下,pandas 对 .xlsx 文件使用 XlsxWriter,对 .xlsm 文件使用 openpyxl。如果您安装了多个引擎,可以通过设置配置选项 io.excel.xlsx.writerio.excel.xls.writer 来设置默认引擎。如果 Xlsxwriter 不可用,pandas 将对 .xlsx 文件回退到 openpyxl

要指定要使用的写入器,可以将引擎关键字参数传递给 to_excelExcelWriter。内置引擎包括:

  • openpyxl:需要 2.4 或更高版本。

  • xlsxwriter

# By setting the 'engine' in the DataFrame 'to_excel()' methods.
df.to_excel("path_to_file.xlsx", sheet_name="Sheet1", engine="xlsxwriter")

# By setting the 'engine' in the ExcelWriter constructor.
writer = pd.ExcelWriter("path_to_file.xlsx", engine="xlsxwriter")

# Or via pandas configuration.
from pandas import options  # noqa: E402

options.io.excel.xlsx.writer = "xlsxwriter"

df.to_excel("path_to_file.xlsx", sheet_name="Sheet1")

样式和格式#

通过使用 DataFrameto_excel 方法的以下参数,可以修改从 pandas 创建的 Excel 工作表的外观。

  • float_format:浮点数的格式字符串(默认 None)。

  • freeze_panes:一个包含两个整数的元组,表示要冻结的最底行和最右列。每个参数都基于 1,因此 (1, 1) 将冻结第一行和第一列(默认 None)。

使用 Xlsxwriter 引擎为使用 to_excel 方法创建的 Excel 工作表提供了许多格式控制选项。您可以在 Xlsxwriter 文档中找到出色的示例,网址为:https://xlsxwriter.readthedocs.io/working_with_pandas.html

OpenDocument 电子表格#

Excel 文件的 I/O 方法也支持使用 odfpy 模块读取和写入 OpenDocument 电子表格。读取和写入 OpenDocument 电子表格的语义和功能与使用 engine='odf' 处理 Excel 文件时所能实现的功能相匹配。可选依赖项“odfpy”需要安装。

read_excel() 方法可以读取 OpenDocument 电子表格。

# Returns a DataFrame
pd.read_excel("path_to_file.ods", engine="odf")

同样,to_excel() 方法可以写入 OpenDocument 电子表格。

# Writes DataFrame to a .ods file
df.to_excel("path_to_file.ods", engine="odf")

二进制 Excel (.xlsb) 文件#

read_excel() 方法还可以使用 pyxlsb 模块读取二进制 Excel 文件。读取二进制 Excel 文件的语义和功能大多与使用 engine='pyxlsb' 读取 Excel 文件的功能相匹配。pyxlsb 不识别文件中的日期时间类型,而是返回浮点数(如果需要识别日期时间类型,可以使用 calamine)。

# Returns a DataFrame
pd.read_excel("path_to_file.xlsb", engine="pyxlsb")

注意

目前 pandas 仅支持读取二进制 Excel 文件。写入功能尚未实现。

Calamine(Excel 和 ODS 文件)#

read_excel() 方法可以使用 python-calamine 模块读取 Excel 文件(.xlsx.xlsm.xls.xlsb)和 OpenDocument 电子表格(.ods)。该模块是 Rust 库 calamine 的绑定,在大多数情况下比其他引擎更快。可选依赖项“python-calamine”需要安装。

# Returns a DataFrame
pd.read_excel("path_to_file.xlsb", engine="calamine")

剪贴板#

获取数据的一种便捷方法是使用 read_clipboard() 方法,它会获取剪贴板缓冲区的内容并将其传递给 read_csv 方法。例如,您可以将以下文本复制到剪贴板(在许多操作系统上按 CTRL-C):

  A B C
x 1 4 p
y 2 5 q
z 3 6 r

然后通过调用以下方法将数据直接导入到 DataFrame

>>> clipdf = pd.read_clipboard()
>>> clipdf
  A B C
x 1 4 p
y 2 5 q
z 3 6 r

to_clipboard 方法可用于将 DataFrame 的内容写入剪贴板。之后,您可以将剪贴板内容粘贴到其他应用程序中(在许多操作系统上按 CTRL-V)。这里我们演示了将 DataFrame 写入剪贴板并将其读回。

>>> df = pd.DataFrame(
...     {"A": [1, 2, 3], "B": [4, 5, 6], "C": ["p", "q", "r"]}, index=["x", "y", "z"]
... )

>>> df
  A B C
x 1 4 p
y 2 5 q
z 3 6 r
>>> df.to_clipboard()
>>> pd.read_clipboard()
  A B C
x 1 4 p
y 2 5 q
z 3 6 r

我们可以看到我们得到了与之前写入剪贴板相同的内容。

注意

在 Linux 上,您可能需要安装 xclip 或 xsel(以及 PyQt5、PyQt4 或 qtpy)才能使用这些方法。

Pickle 序列化#

所有 pandas 对象都配备了 to_pickle 方法,这些方法使用 Python 的 cPickle 模块以 pickle 格式将数据结构保存到磁盘。

In [436]: df
Out[436]: 
c1         a   
c2         b  d
lvl1 lvl2      
a    c     1  5
     d     2  6
b    c     3  7
     d     4  8

In [437]: df.to_pickle("foo.pkl")

pandas 命名空间中的 read_pickle 函数可用于从文件中加载任何经过 pickle 序列化的 pandas 对象(或任何其他经过 pickle 序列化的对象)。

In [438]: pd.read_pickle("foo.pkl")
Out[438]: 
c1         a   
c2         b  d
lvl1 lvl2      
a    c     1  5
     d     2  6
b    c     3  7
     d     4  8

警告

从不受信任的来源加载经过 pickle 序列化的数据可能不安全。

详情请参见:https://docs.pythonlang.cn/3/library/pickle.html

警告

read_pickle() 仅保证向后兼容到几个次要版本。

压缩的 Pickle 文件#

read_pickle()DataFrame.to_pickle()Series.to_pickle() 可以读写压缩的 pickle 文件。支持 gzipbz2xzzstd 压缩类型进行读写。zip 文件格式仅支持读取,并且必须只包含一个要读取的数据文件。

压缩类型可以是显式参数,也可以从文件扩展名推断。如果为“infer”,则如果文件名分别以 '.gz''.bz2''.zip''.xz''.zst' 结尾,则使用 gzipbz2zipxzzstd

压缩参数也可以是 dict 类型,以便向压缩协议传递选项。它必须有一个 'method' 键,其值设置为压缩协议的名称,该名称必须是 {'zip', 'gzip', 'bz2', 'xz', 'zstd'} 中的一个。所有其他键值对都传递给底层的压缩库。

In [439]: df = pd.DataFrame(
   .....:     {
   .....:         "A": np.random.randn(1000),
   .....:         "B": "foo",
   .....:         "C": pd.date_range("20130101", periods=1000, freq="s"),
   .....:     }
   .....: )
   .....: 

In [440]: df
Out[440]: 
            A    B                   C
0   -0.317441  foo 2013-01-01 00:00:00
1   -1.236269  foo 2013-01-01 00:00:01
2    0.896171  foo 2013-01-01 00:00:02
3   -0.487602  foo 2013-01-01 00:00:03
4   -0.082240  foo 2013-01-01 00:00:04
..        ...  ...                 ...
995 -0.171092  foo 2013-01-01 00:16:35
996  1.786173  foo 2013-01-01 00:16:36
997 -0.575189  foo 2013-01-01 00:16:37
998  0.820750  foo 2013-01-01 00:16:38
999 -1.256530  foo 2013-01-01 00:16:39

[1000 rows x 3 columns]

使用显式压缩类型

In [441]: df.to_pickle("data.pkl.compress", compression="gzip")

In [442]: rt = pd.read_pickle("data.pkl.compress", compression="gzip")

In [443]: rt
Out[443]: 
            A    B                   C
0   -0.317441  foo 2013-01-01 00:00:00
1   -1.236269  foo 2013-01-01 00:00:01
2    0.896171  foo 2013-01-01 00:00:02
3   -0.487602  foo 2013-01-01 00:00:03
4   -0.082240  foo 2013-01-01 00:00:04
..        ...  ...                 ...
995 -0.171092  foo 2013-01-01 00:16:35
996  1.786173  foo 2013-01-01 00:16:36
997 -0.575189  foo 2013-01-01 00:16:37
998  0.820750  foo 2013-01-01 00:16:38
999 -1.256530  foo 2013-01-01 00:16:39

[1000 rows x 3 columns]

从扩展名推断压缩类型

In [444]: df.to_pickle("data.pkl.xz", compression="infer")

In [445]: rt = pd.read_pickle("data.pkl.xz", compression="infer")

In [446]: rt
Out[446]: 
            A    B                   C
0   -0.317441  foo 2013-01-01 00:00:00
1   -1.236269  foo 2013-01-01 00:00:01
2    0.896171  foo 2013-01-01 00:00:02
3   -0.487602  foo 2013-01-01 00:00:03
4   -0.082240  foo 2013-01-01 00:00:04
..        ...  ...                 ...
995 -0.171092  foo 2013-01-01 00:16:35
996  1.786173  foo 2013-01-01 00:16:36
997 -0.575189  foo 2013-01-01 00:16:37
998  0.820750  foo 2013-01-01 00:16:38
999 -1.256530  foo 2013-01-01 00:16:39

[1000 rows x 3 columns]

默认是“推断”

In [447]: df.to_pickle("data.pkl.gz")

In [448]: rt = pd.read_pickle("data.pkl.gz")

In [449]: rt
Out[449]: 
            A    B                   C
0   -0.317441  foo 2013-01-01 00:00:00
1   -1.236269  foo 2013-01-01 00:00:01
2    0.896171  foo 2013-01-01 00:00:02
3   -0.487602  foo 2013-01-01 00:00:03
4   -0.082240  foo 2013-01-01 00:00:04
..        ...  ...                 ...
995 -0.171092  foo 2013-01-01 00:16:35
996  1.786173  foo 2013-01-01 00:16:36
997 -0.575189  foo 2013-01-01 00:16:37
998  0.820750  foo 2013-01-01 00:16:38
999 -1.256530  foo 2013-01-01 00:16:39

[1000 rows x 3 columns]

In [450]: df["A"].to_pickle("s1.pkl.bz2")

In [451]: rt = pd.read_pickle("s1.pkl.bz2")

In [452]: rt
Out[452]: 
0     -0.317441
1     -1.236269
2      0.896171
3     -0.487602
4     -0.082240
         ...   
995   -0.171092
996    1.786173
997   -0.575189
998    0.820750
999   -1.256530
Name: A, Length: 1000, dtype: float64

向压缩协议传递选项以加快压缩速度

In [453]: df.to_pickle("data.pkl.gz", compression={"method": "gzip", "compresslevel": 1})

msgpack#

pandas 对 msgpack 的支持已在 1.0.0 版本中移除。建议改用 pickle

或者,您也可以使用 Arrow IPC 序列化格式进行 pandas 对象的在线传输。有关 pyarrow 的文档,请参阅此处

HDF5 (PyTables)#

HDFStore 是一个类似字典的对象,它使用出色的 PyTables 库,以高性能的 HDF5 格式读写 pandas 数据。有关一些高级策略,请参见cookbook

警告

pandas 使用 PyTables 读写 HDF5 文件,这允许使用 pickle 序列化对象 dtype 数据。从不受信任的来源加载经过 pickle 序列化的数据可能不安全。

详情请参见:https://docs.pythonlang.cn/3/library/pickle.html

In [454]: store = pd.HDFStore("store.h5")

In [455]: print(store)
<class 'pandas.io.pytables.HDFStore'>
File path: store.h5

对象可以像向字典添加键值对一样写入文件。

In [456]: index = pd.date_range("1/1/2000", periods=8)

In [457]: s = pd.Series(np.random.randn(5), index=["a", "b", "c", "d", "e"])

In [458]: df = pd.DataFrame(np.random.randn(8, 3), index=index, columns=["A", "B", "C"])

# store.put('s', s) is an equivalent method
In [459]: store["s"] = s

In [460]: store["df"] = df

In [461]: store
Out[461]: 
<class 'pandas.io.pytables.HDFStore'>
File path: store.h5

在当前或以后的 Python 会话中,您可以检索存储的对象。

# store.get('df') is an equivalent method
In [462]: store["df"]
Out[462]: 
                   A         B         C
2000-01-01  0.858644 -0.851236  1.058006
2000-01-02 -0.080372 -1.268121  1.561967
2000-01-03  0.816983  1.965656 -1.169408
2000-01-04  0.712795 -0.062433  0.736755
2000-01-05 -0.298721 -1.988045  1.475308
2000-01-06  1.103675  1.382242 -0.650762
2000-01-07 -0.729161 -0.142928 -1.063038
2000-01-08 -1.005977  0.465222 -0.094517

# dotted (attribute) access provides get as well
In [463]: store.df
Out[463]: 
                   A         B         C
2000-01-01  0.858644 -0.851236  1.058006
2000-01-02 -0.080372 -1.268121  1.561967
2000-01-03  0.816983  1.965656 -1.169408
2000-01-04  0.712795 -0.062433  0.736755
2000-01-05 -0.298721 -1.988045  1.475308
2000-01-06  1.103675  1.382242 -0.650762
2000-01-07 -0.729161 -0.142928 -1.063038
2000-01-08 -1.005977  0.465222 -0.094517

删除由键指定的对象

# store.remove('df') is an equivalent method
In [464]: del store["df"]

In [465]: store
Out[465]: 
<class 'pandas.io.pytables.HDFStore'>
File path: store.h5

关闭存储并使用上下文管理器

In [466]: store.close()

In [467]: store
Out[467]: 
<class 'pandas.io.pytables.HDFStore'>
File path: store.h5

In [468]: store.is_open
Out[468]: False

# Working with, and automatically closing the store using a context manager
In [469]: with pd.HDFStore("store.h5") as store:
   .....:     store.keys()
   .....: 

读写 API#

HDFStore 支持顶层 API,使用 read_hdf 进行读取,使用 to_hdf 进行写入,类似于 read_csvto_csv 的工作方式。

In [470]: df_tl = pd.DataFrame({"A": list(range(5)), "B": list(range(5))})

In [471]: df_tl.to_hdf("store_tl.h5", key="table", append=True)

In [472]: pd.read_hdf("store_tl.h5", "table", where=["index>2"])
Out[472]: 
   A  B
3  3  3
4  4  4

HDFStore 默认不会丢弃所有缺失的行。通过设置 dropna=True 可以更改此行为。

In [473]: df_with_missing = pd.DataFrame(
   .....:     {
   .....:         "col1": [0, np.nan, 2],
   .....:         "col2": [1, np.nan, np.nan],
   .....:     }
   .....: )
   .....: 

In [474]: df_with_missing
Out[474]: 
   col1  col2
0   0.0   1.0
1   NaN   NaN
2   2.0   NaN

In [475]: df_with_missing.to_hdf("file.h5", key="df_with_missing", format="table", mode="w")

In [476]: pd.read_hdf("file.h5", "df_with_missing")
Out[476]: 
   col1  col2
0   0.0   1.0
1   NaN   NaN
2   2.0   NaN

In [477]: df_with_missing.to_hdf(
   .....:     "file.h5", key="df_with_missing", format="table", mode="w", dropna=True
   .....: )
   .....: 

In [478]: pd.read_hdf("file.h5", "df_with_missing")
Out[478]: 
   col1  col2
0   0.0   1.0
2   2.0   NaN

固定格式#

上面的示例展示了使用 put 进行存储,它以固定数组格式(称为 fixed 格式)将 HDF5 写入 PyTables。这些类型的存储一旦写入就不可追加(尽管您可以直接删除它们并重新写入)。它们也不可查询;必须完整检索它们。它们也不支持具有非唯一列名的数据帧。fixed 格式的存储提供了非常快的写入速度和比 table 存储稍快的读取速度。使用 putto_hdf 时,或者通过 format='fixed'format='f' 时,默认指定此格式。

警告

如果您尝试使用 where 进行检索,fixed 格式将引发 TypeError

In [479]: pd.DataFrame(np.random.randn(10, 2)).to_hdf("test_fixed.h5", key="df")

In [480]: pd.read_hdf("test_fixed.h5", "df", where="index>5")
---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
Cell In[480], line 1
----> 1 pd.read_hdf("test_fixed.h5", "df", where="index>5")

File ~/work/pandas/pandas/pandas/io/pytables.py:457, in read_hdf(path_or_buf, key, mode, errors, where, start, stop, columns, iterator, chunksize, **kwargs)
    452                 raise ValueError(
    453                     "key must be provided when HDF5 "
    454                     "file contains multiple datasets."
    455                 )
    456         key = candidate_only_group._v_pathname
--> 457     return store.select(
    458         key,
    459         where=where,
    460         start=start,
    461         stop=stop,
    462         columns=columns,
    463         iterator=iterator,
    464         chunksize=chunksize,
    465         auto_close=auto_close,
    466     )
    467 except (ValueError, TypeError, LookupError):
    468     if not isinstance(path_or_buf, HDFStore):
    469         # if there is an error, close the store if we opened it.

File ~/work/pandas/pandas/pandas/io/pytables.py:911, in HDFStore.select(self, key, where, start, stop, columns, iterator, chunksize, auto_close)
    897 # create the iterator
    898 it = TableIterator(
    899     self,
    900     s,
   (...)
    908     auto_close=auto_close,
    909 )
--> 911 return it.get_result()

File ~/work/pandas/pandas/pandas/io/pytables.py:2034, in TableIterator.get_result(self, coordinates)
   2031     where = self.where
   2033 # directly return the result
-> 2034 results = self.func(self.start, self.stop, where)
   2035 self.close()
   2036 return results

File ~/work/pandas/pandas/pandas/io/pytables.py:895, in HDFStore.select.<locals>.func(_start, _stop, _where)
    894 def func(_start, _stop, _where):
--> 895     return s.read(start=_start, stop=_stop, where=_where, columns=columns)

File ~/work/pandas/pandas/pandas/io/pytables.py:3295, in BlockManagerFixed.read(self, where, columns, start, stop)
   3287 def read(
   3288     self,
   3289     where=None,
   (...)
   3293 ) -> DataFrame:
   3294     # start, stop applied to rows, so 0th axis only
-> 3295     self.validate_read(columns, where)
   3296     select_axis = self.obj_type()._get_block_manager_axis(0)
   3298     axes = []

File ~/work/pandas/pandas/pandas/io/pytables.py:2927, in GenericFixed.validate_read(self, columns, where)
   2922     raise TypeError(
   2923         "cannot pass a column specification when reading "
   2924         "a Fixed format store. this store must be selected in its entirety"
   2925     )
   2926 if where is not None:
-> 2927     raise TypeError(
   2928         "cannot pass a where specification when reading "
   2929         "from a Fixed format store. this store must be selected in its entirety"
   2930     )

TypeError: cannot pass a where specification when reading from a Fixed format store. this store must be selected in its entirety

表格式#

HDFStore 支持另一种磁盘上的 PyTables 格式,即 table 格式。从概念上讲,table 的形状与 DataFrame 非常相似,具有行和列。table 可以在相同或不同的会话中进行追加。此外,还支持删除和查询操作。此格式通过 appendputto_hdfformat='table'format='t' 来指定。

此格式也可以设置为选项,例如 pd.set_option('io.hdf.default_format','table'),以使 put/append/to_hdf 默认以 table 格式存储。

In [481]: store = pd.HDFStore("store.h5")

In [482]: df1 = df[0:4]

In [483]: df2 = df[4:]

# append data (creates a table automatically)
In [484]: store.append("df", df1)

In [485]: store.append("df", df2)

In [486]: store
Out[486]: 
<class 'pandas.io.pytables.HDFStore'>
File path: store.h5

# select the entire object
In [487]: store.select("df")
Out[487]: 
                   A         B         C
2000-01-01  0.858644 -0.851236  1.058006
2000-01-02 -0.080372 -1.268121  1.561967
2000-01-03  0.816983  1.965656 -1.169408
2000-01-04  0.712795 -0.062433  0.736755
2000-01-05 -0.298721 -1.988045  1.475308
2000-01-06  1.103675  1.382242 -0.650762
2000-01-07 -0.729161 -0.142928 -1.063038
2000-01-08 -1.005977  0.465222 -0.094517

# the type of stored data
In [488]: store.root.df._v_attrs.pandas_type
Out[488]: 'frame_table'

注意

您还可以通过在 put 操作中传入 format='table'format='t' 来创建 table

分层键#

存储的键可以指定为字符串。它们可以是分层路径名格式(例如 foo/bar/bah),这将生成一个子存储(或 PyTables 中的 Groups)的层次结构。键可以不带开头的“/”指定,并且总是绝对的(例如,“foo”指“/foo”)。删除操作可以删除子存储及其以下的所有内容,因此请小心

In [489]: store.put("foo/bar/bah", df)

In [490]: store.append("food/orange", df)

In [491]: store.append("food/apple", df)

In [492]: store
Out[492]: 
<class 'pandas.io.pytables.HDFStore'>
File path: store.h5

# a list of keys are returned
In [493]: store.keys()
Out[493]: ['/df', '/food/apple', '/food/orange', '/foo/bar/bah']

# remove all nodes under this level
In [494]: store.remove("food")

In [495]: store
Out[495]: 
<class 'pandas.io.pytables.HDFStore'>
File path: store.h5

您可以使用 walk 方法遍历组层次结构,该方法将为每个组键及其内容的相对键生成一个元组。

In [496]: for (path, subgroups, subkeys) in store.walk():
   .....:     for subgroup in subgroups:
   .....:         print("GROUP: {}/{}".format(path, subgroup))
   .....:     for subkey in subkeys:
   .....:         key = "/".join([path, subkey])
   .....:         print("KEY: {}".format(key))
   .....:         print(store.get(key))
   .....: 
GROUP: /foo
KEY: /df
                   A         B         C
2000-01-01  0.858644 -0.851236  1.058006
2000-01-02 -0.080372 -1.268121  1.561967
2000-01-03  0.816983  1.965656 -1.169408
2000-01-04  0.712795 -0.062433  0.736755
2000-01-05 -0.298721 -1.988045  1.475308
2000-01-06  1.103675  1.382242 -0.650762
2000-01-07 -0.729161 -0.142928 -1.063038
2000-01-08 -1.005977  0.465222 -0.094517
GROUP: /foo/bar
KEY: /foo/bar/bah
                   A         B         C
2000-01-01  0.858644 -0.851236  1.058006
2000-01-02 -0.080372 -1.268121  1.561967
2000-01-03  0.816983  1.965656 -1.169408
2000-01-04  0.712795 -0.062433  0.736755
2000-01-05 -0.298721 -1.988045  1.475308
2000-01-06  1.103675  1.382242 -0.650762
2000-01-07 -0.729161 -0.142928 -1.063038
2000-01-08 -1.005977  0.465222 -0.094517

警告

分层键无法像上面描述的根节点下存储的项那样以点(属性)访问方式检索。

In [497]: store.foo.bar.bah
---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
Cell In[497], line 1
----> 1 store.foo.bar.bah

File ~/work/pandas/pandas/pandas/io/pytables.py:618, in HDFStore.__getattr__(self, name)
    616 """allow attribute access to get stores"""
    617 try:
--> 618     return self.get(name)
    619 except (KeyError, ClosedFileError):
    620     pass

File ~/work/pandas/pandas/pandas/io/pytables.py:818, in HDFStore.get(self, key)
    816 if group is None:
    817     raise KeyError(f"No object named {key} in the file")
--> 818 return self._read_group(group)

File ~/work/pandas/pandas/pandas/io/pytables.py:1883, in HDFStore._read_group(self, group)
   1882 def _read_group(self, group: Node):
-> 1883     s = self._create_storer(group)
   1884     s.infer_axes()
   1885     return s.read()

File ~/work/pandas/pandas/pandas/io/pytables.py:1757, in HDFStore._create_storer(self, group, format, value, encoding, errors)
   1755         tt = "generic_table"
   1756     else:
-> 1757         raise TypeError(
   1758             "cannot create a storer if the object is not existing "
   1759             "nor a value are passed"
   1760         )
   1761 else:
   1762     if isinstance(value, Series):

TypeError: cannot create a storer if the object is not existing nor a value are passed
# you can directly access the actual PyTables node but using the root node
In [498]: store.root.foo.bar.bah
Out[498]: 
/foo/bar/bah (Group) ''
  children := ['axis0' (Array), 'axis1' (Array), 'block0_items' (Array), 'block0_values' (Array)]

相反,请使用显式的基于字符串的键。

In [499]: store["foo/bar/bah"]
Out[499]: 
                   A         B         C
2000-01-01  0.858644 -0.851236  1.058006
2000-01-02 -0.080372 -1.268121  1.561967
2000-01-03  0.816983  1.965656 -1.169408
2000-01-04  0.712795 -0.062433  0.736755
2000-01-05 -0.298721 -1.988045  1.475308
2000-01-06  1.103675  1.382242 -0.650762
2000-01-07 -0.729161 -0.142928 -1.063038
2000-01-08 -1.005977  0.465222 -0.094517

存储类型#

在表中存储混合类型#

支持存储混合 dtype 数据。字符串以固定宽度存储,使用追加列的最大大小。后续尝试追加更长的字符串将引发 ValueError

min_itemsize={`values`: size} 作为参数传递给 append 将为字符串列设置一个更大的最小值。目前支持存储 floats, strings, ints, bools, datetime64。对于字符串列,将 nan_rep = 'nan' 传递给 append 将更改磁盘上的默认 NaN 表示形式(它会转换为/从 np.nan),此默认值为 nan

In [500]: df_mixed = pd.DataFrame(
   .....:     {
   .....:         "A": np.random.randn(8),
   .....:         "B": np.random.randn(8),
   .....:         "C": np.array(np.random.randn(8), dtype="float32"),
   .....:         "string": "string",
   .....:         "int": 1,
   .....:         "bool": True,
   .....:         "datetime64": pd.Timestamp("20010102"),
   .....:     },
   .....:     index=list(range(8)),
   .....: )
   .....: 

In [501]: df_mixed.loc[df_mixed.index[3:5], ["A", "B", "string", "datetime64"]] = np.nan

In [502]: store.append("df_mixed", df_mixed, min_itemsize={"values": 50})

In [503]: df_mixed1 = store.select("df_mixed")

In [504]: df_mixed1
Out[504]: 
          A         B         C  ... int  bool                    datetime64
0  0.013747 -1.166078 -1.292080  ...   1  True 1970-01-01 00:00:00.978393600
1 -0.712009  0.247572  1.526911  ...   1  True 1970-01-01 00:00:00.978393600
2 -0.645096  1.687406  0.288504  ...   1  True 1970-01-01 00:00:00.978393600
3       NaN       NaN  0.097771  ...   1  True                           NaT
4       NaN       NaN  1.536408  ...   1  True                           NaT
5 -0.023202  0.043702  0.926790  ...   1  True 1970-01-01 00:00:00.978393600
6  2.359782  0.088224 -0.676448  ...   1  True 1970-01-01 00:00:00.978393600
7 -0.143428 -0.813360 -0.179724  ...   1  True 1970-01-01 00:00:00.978393600

[8 rows x 7 columns]

In [505]: df_mixed1.dtypes.value_counts()
Out[505]: 
float64           2
float32           1
object            1
int64             1
bool              1
datetime64[ns]    1
Name: count, dtype: int64

# we have provided a minimum string column size
In [506]: store.root.df_mixed.table
Out[506]: 
/df_mixed/table (Table(8,)) ''
  description := {
  "index": Int64Col(shape=(), dflt=0, pos=0),
  "values_block_0": Float64Col(shape=(2,), dflt=0.0, pos=1),
  "values_block_1": Float32Col(shape=(1,), dflt=0.0, pos=2),
  "values_block_2": StringCol(itemsize=50, shape=(1,), dflt=b'', pos=3),
  "values_block_3": Int64Col(shape=(1,), dflt=0, pos=4),
  "values_block_4": BoolCol(shape=(1,), dflt=False, pos=5),
  "values_block_5": Int64Col(shape=(1,), dflt=0, pos=6)}
  byteorder := 'little'
  chunkshape := (689,)
  autoindex := True
  colindexes := {
    "index": Index(6, mediumshuffle, zlib(1)).is_csi=False}

存储 MultiIndex DataFrames#

将 MultiIndex DataFrames 存储为表与从同构索引 DataFrames 存储/选择非常相似。

In [507]: index = pd.MultiIndex(
   .....:    levels=[["foo", "bar", "baz", "qux"], ["one", "two", "three"]],
   .....:    codes=[[0, 0, 0, 1, 1, 2, 2, 3, 3, 3], [0, 1, 2, 0, 1, 1, 2, 0, 1, 2]],
   .....:    names=["foo", "bar"],
   .....: )
   .....: 

In [508]: df_mi = pd.DataFrame(np.random.randn(10, 3), index=index, columns=["A", "B", "C"])

In [509]: df_mi
Out[509]: 
                  A         B         C
foo bar                                
foo one   -1.303456 -0.642994 -0.649456
    two    1.012694  0.414147  1.950460
    three  1.094544 -0.802899 -0.583343
bar one    0.410395  0.618321  0.560398
    two    1.434027 -0.033270  0.343197
baz two   -1.646063 -0.695847 -0.429156
    three -0.244688 -1.428229 -0.138691
qux one    1.866184 -1.446617  0.036660
    two   -1.660522  0.929553 -1.298649
    three  3.565769  0.682402  1.041927

In [510]: store.append("df_mi", df_mi)

In [511]: store.select("df_mi")
Out[511]: 
                  A         B         C
foo bar                                
foo one   -1.303456 -0.642994 -0.649456
    two    1.012694  0.414147  1.950460
    three  1.094544 -0.802899 -0.583343
bar one    0.410395  0.618321  0.560398
    two    1.434027 -0.033270  0.343197
baz two   -1.646063 -0.695847 -0.429156
    three -0.244688 -1.428229 -0.138691
qux one    1.866184 -1.446617  0.036660
    two   -1.660522  0.929553 -1.298649
    three  3.565769  0.682402  1.041927

# the levels are automatically included as data columns
In [512]: store.select("df_mi", "foo=bar")
Out[512]: 
                A         B         C
foo bar                              
bar one  0.410395  0.618321  0.560398
    two  1.434027 -0.033270  0.343197

注意

关键字 index 是保留的,不能用作级别名称。

查询#

查询表#

selectdelete 操作有一个可选的条件,可以指定来选择/删除数据的子集。这允许您拥有一个非常大的磁盘表,并仅检索部分数据。

查询在底层使用 Term 类,以布尔表达式的形式指定。

  • indexcolumnsDataFrames 支持的索引器。

  • 如果指定了 data_columns,它们可以用作额外的索引器。

  • MultiIndex 中的级别名称,如果未提供,则默认为 level_0, level_1 等。

有效的比较运算符是:

=, ==, !=, >, >=, <, <=

有效的布尔表达式通过以下方式组合:

  • |:或

  • &:和

  • ():用于分组

这些规则与 pandas 中布尔表达式用于索引的方式类似。

注意

  • = 将自动扩展为比较运算符 ==

  • ~ 是非运算符,但只能在非常有限的情况下使用。

  • 如果传入表达式列表/元组,它们将通过 & 组合。

以下是有效的表达式:

  • 'index >= date'

  • "columns = ['A', 'D']"

  • "columns in ['A', 'D']"

  • 'columns = A'

  • 'columns == A'

  • "~(columns = ['A', 'B'])"

  • 'index > df.index[3] & string = "bar"'

  • '(index > df.index[3] & index <= df.index[6]) | string = "bar"'

  • "ts >= Timestamp('2012-02-01')"

  • "major_axis>=20130101"

indexers 位于子表达式的左侧。

columns, major_axis, ts

子表达式的右侧(在比较运算符之后)可以是:

  • 将被评估的函数,例如 Timestamp('2012-02-01')

  • 字符串,例如 "bar"

  • 日期类值,例如 20130101"20130101"

  • 列表,例如 "['A', 'B']"

  • 在局部命名空间中定义的变量,例如 date

注意

不建议通过将字符串插入查询表达式来将其传递给查询。只需将感兴趣的字符串赋值给变量,并在表达式中使用该变量。例如,这样做:

string = "HolyMoly'"
store.select("df", "index == string")

而不是这样做:

string = "HolyMoly'"
store.select('df', f'index == {string}')

后者不会工作,并会引发 SyntaxError。请注意,string 变量中有一个单引号,后面跟着一个双引号。

如果您必须插值,请使用 '%r' 格式说明符。

store.select("df", "index == %r" % string)

这将引用 string

这里有一些例子:

In [513]: dfq = pd.DataFrame(
   .....:     np.random.randn(10, 4),
   .....:     columns=list("ABCD"),
   .....:     index=pd.date_range("20130101", periods=10),
   .....: )
   .....: 

In [514]: store.append("dfq", dfq, format="table", data_columns=True)

使用布尔表达式,并进行内联函数评估。

In [515]: store.select("dfq", "index>pd.Timestamp('20130104') & columns=['A', 'B']")
Out[515]: 
                   A         B
2013-01-05 -0.830545 -0.457071
2013-01-06  0.431186  1.049421
2013-01-07  0.617509 -0.811230
2013-01-08  0.947422 -0.671233
2013-01-09 -0.183798 -1.211230
2013-01-10  0.361428  0.887304

使用内联列引用。

In [516]: store.select("dfq", where="A>0 or C>0")
Out[516]: 
                   A         B         C         D
2013-01-02  0.658179  0.362814 -0.917897  0.010165
2013-01-03  0.905122  1.848731 -1.184241  0.932053
2013-01-05 -0.830545 -0.457071  1.565581  1.148032
2013-01-06  0.431186  1.049421  0.383309  0.595013
2013-01-07  0.617509 -0.811230 -2.088563 -1.393500
2013-01-08  0.947422 -0.671233 -0.847097 -1.187785
2013-01-10  0.361428  0.887304  0.266457 -0.399641

可以提供 columns 关键字来选择要返回的列列表,这等同于传递 'columns=list_of_columns_to_filter'

In [517]: store.select("df", "columns=['A', 'B']")
Out[517]: 
                   A         B
2000-01-01  0.858644 -0.851236
2000-01-02 -0.080372 -1.268121
2000-01-03  0.816983  1.965656
2000-01-04  0.712795 -0.062433
2000-01-05 -0.298721 -1.988045
2000-01-06  1.103675  1.382242
2000-01-07 -0.729161 -0.142928
2000-01-08 -1.005977  0.465222

可以指定 startstop 参数来限制总搜索空间。这些参数是基于表中总行数。

注意

如果查询表达式具有未知变量引用,select 将引发 ValueError。这通常意味着您尝试在不是数据列的列上进行选择。

如果查询表达式无效,select 将引发 SyntaxError

查询 timedelta64[ns]#

您可以使用 timedelta64[ns] 类型进行存储和查询。术语可以按以下格式指定:<float>(<unit>),其中 float 可以带符号(和分数),unit 可以是 D,s,ms,us,ns 用于时间差。这里有一个例子:

In [518]: from datetime import timedelta

In [519]: dftd = pd.DataFrame(
   .....:     {
   .....:         "A": pd.Timestamp("20130101"),
   .....:         "B": [
   .....:             pd.Timestamp("20130101") + timedelta(days=i, seconds=10)
   .....:             for i in range(10)
   .....:         ],
   .....:     }
   .....: )
   .....: 

In [520]: dftd["C"] = dftd["A"] - dftd["B"]

In [521]: dftd
Out[521]: 
           A                   B                  C
0 2013-01-01 2013-01-01 00:00:10  -1 days +23:59:50
1 2013-01-01 2013-01-02 00:00:10  -2 days +23:59:50
2 2013-01-01 2013-01-03 00:00:10  -3 days +23:59:50
3 2013-01-01 2013-01-04 00:00:10  -4 days +23:59:50
4 2013-01-01 2013-01-05 00:00:10  -5 days +23:59:50
5 2013-01-01 2013-01-06 00:00:10  -6 days +23:59:50
6 2013-01-01 2013-01-07 00:00:10  -7 days +23:59:50
7 2013-01-01 2013-01-08 00:00:10  -8 days +23:59:50
8 2013-01-01 2013-01-09 00:00:10  -9 days +23:59:50
9 2013-01-01 2013-01-10 00:00:10 -10 days +23:59:50

In [522]: store.append("dftd", dftd, data_columns=True)

In [523]: store.select("dftd", "C<'-3.5D'")
Out[523]: 
                              A                   B                  C
4 1970-01-01 00:00:01.356998400 2013-01-05 00:00:10  -5 days +23:59:50
5 1970-01-01 00:00:01.356998400 2013-01-06 00:00:10  -6 days +23:59:50
6 1970-01-01 00:00:01.356998400 2013-01-07 00:00:10  -7 days +23:59:50
7 1970-01-01 00:00:01.356998400 2013-01-08 00:00:10  -8 days +23:59:50
8 1970-01-01 00:00:01.356998400 2013-01-09 00:00:10  -9 days +23:59:50
9 1970-01-01 00:00:01.356998400 2013-01-10 00:00:10 -10 days +23:59:50

查询 MultiIndex#

通过使用级别的名称,可以从 MultiIndex 中进行选择。

In [524]: df_mi.index.names
Out[524]: FrozenList(['foo', 'bar'])

In [525]: store.select("df_mi", "foo=baz and bar=two")
Out[525]: 
                A         B         C
foo bar                              
baz two -1.646063 -0.695847 -0.429156

如果 MultiIndex 级别名称为 None,则这些级别会自动通过 level_n 关键字提供,其中 n 是您要从中选择的 MultiIndex 的级别。

In [526]: index = pd.MultiIndex(
   .....:     levels=[["foo", "bar", "baz", "qux"], ["one", "two", "three"]],
   .....:     codes=[[0, 0, 0, 1, 1, 2, 2, 3, 3, 3], [0, 1, 2, 0, 1, 1, 2, 0, 1, 2]],
   .....: )
   .....: 

In [527]: df_mi_2 = pd.DataFrame(np.random.randn(10, 3), index=index, columns=["A", "B", "C"])

In [528]: df_mi_2
Out[528]: 
                  A         B         C
foo one   -0.219582  1.186860 -1.437189
    two    0.053768  1.872644 -1.469813
    three -0.564201  0.876341  0.407749
bar one   -0.232583  0.179812  0.922152
    two   -1.820952 -0.641360  2.133239
baz two   -0.941248 -0.136307 -1.271305
    three -0.099774 -0.061438 -0.845172
qux one    0.465793  0.756995 -0.541690
    two   -0.802241  0.877657 -2.553831
    three  0.094899 -2.319519  0.293601

In [529]: store.append("df_mi_2", df_mi_2)

# the levels are automatically included as data columns with keyword level_n
In [530]: store.select("df_mi_2", "level_0=foo and level_1=two")
Out[530]: 
                A         B         C
foo two  0.053768  1.872644 -1.469813

索引#

在数据已存在于表中(在 append/put 操作之后)后,您可以使用 create_table_index 为表创建/修改索引。强烈建议创建表索引。当您使用以索引维度作为 whereselect 时,这将大大加快您的查询速度。

注意

索引会自动在可索引列和您指定的任何数据列上创建。可以通过在 append 中传递 index=False 来关闭此行为。

# we have automagically already created an index (in the first section)
In [531]: i = store.root.df.table.cols.index.index

In [532]: i.optlevel, i.kind
Out[532]: (6, 'medium')

# change an index by passing new parameters
In [533]: store.create_table_index("df", optlevel=9, kind="full")

In [534]: i = store.root.df.table.cols.index.index

In [535]: i.optlevel, i.kind
Out[535]: (9, 'full')

通常,当向存储追加大量数据时,关闭每次追加的索引创建,然后在最后重新创建索引会很有用。

In [536]: df_1 = pd.DataFrame(np.random.randn(10, 2), columns=list("AB"))

In [537]: df_2 = pd.DataFrame(np.random.randn(10, 2), columns=list("AB"))

In [538]: st = pd.HDFStore("appends.h5", mode="w")

In [539]: st.append("df", df_1, data_columns=["B"], index=False)

In [540]: st.append("df", df_2, data_columns=["B"], index=False)

In [541]: st.get_storer("df").table
Out[541]: 
/df/table (Table(20,)) ''
  description := {
  "index": Int64Col(shape=(), dflt=0, pos=0),
  "values_block_0": Float64Col(shape=(1,), dflt=0.0, pos=1),
  "B": Float64Col(shape=(), dflt=0.0, pos=2)}
  byteorder := 'little'
  chunkshape := (2730,)

追加完成后再创建索引。

In [542]: st.create_table_index("df", columns=["B"], optlevel=9, kind="full")

In [543]: st.get_storer("df").table
Out[543]: 
/df/table (Table(20,)) ''
  description := {
  "index": Int64Col(shape=(), dflt=0, pos=0),
  "values_block_0": Float64Col(shape=(1,), dflt=0.0, pos=1),
  "B": Float64Col(shape=(), dflt=0.0, pos=2)}
  byteorder := 'little'
  chunkshape := (2730,)
  autoindex := True
  colindexes := {
    "B": Index(9, fullshuffle, zlib(1)).is_csi=True}

In [544]: st.close()

有关如何在现有存储上创建完全排序索引 (CSI) 的信息,请参见此处

通过数据列查询#

您可以指定(并索引)某些您希望能够执行查询的列(除了始终可以查询的 indexable 列)。例如,假设您想在磁盘上执行此常见操作,并只返回与此查询匹配的帧。您可以指定 data_columns = True 以强制所有列成为 data_columns

In [545]: df_dc = df.copy()

In [546]: df_dc["string"] = "foo"

In [547]: df_dc.loc[df_dc.index[4:6], "string"] = np.nan

In [548]: df_dc.loc[df_dc.index[7:9], "string"] = "bar"

In [549]: df_dc["string2"] = "cool"

In [550]: df_dc.loc[df_dc.index[1:3], ["B", "C"]] = 1.0

In [551]: df_dc
Out[551]: 
                   A         B         C string string2
2000-01-01  0.858644 -0.851236  1.058006    foo    cool
2000-01-02 -0.080372  1.000000  1.000000    foo    cool
2000-01-03  0.816983  1.000000  1.000000    foo    cool
2000-01-04  0.712795 -0.062433  0.736755    foo    cool
2000-01-05 -0.298721 -1.988045  1.475308    NaN    cool
2000-01-06  1.103675  1.382242 -0.650762    NaN    cool
2000-01-07 -0.729161 -0.142928 -1.063038    foo    cool
2000-01-08 -1.005977  0.465222 -0.094517    bar    cool

# on-disk operations
In [552]: store.append("df_dc", df_dc, data_columns=["B", "C", "string", "string2"])

In [553]: store.select("df_dc", where="B > 0")
Out[553]: 
                   A         B         C string string2
2000-01-02 -0.080372  1.000000  1.000000    foo    cool
2000-01-03  0.816983  1.000000  1.000000    foo    cool
2000-01-06  1.103675  1.382242 -0.650762    NaN    cool
2000-01-08 -1.005977  0.465222 -0.094517    bar    cool

# getting creative
In [554]: store.select("df_dc", "B > 0 & C > 0 & string == foo")
Out[554]: 
                   A    B    C string string2
2000-01-02 -0.080372  1.0  1.0    foo    cool
2000-01-03  0.816983  1.0  1.0    foo    cool

# this is in-memory version of this type of selection
In [555]: df_dc[(df_dc.B > 0) & (df_dc.C > 0) & (df_dc.string == "foo")]
Out[555]: 
                   A    B    C string string2
2000-01-02 -0.080372  1.0  1.0    foo    cool
2000-01-03  0.816983  1.0  1.0    foo    cool

# we have automagically created this index and the B/C/string/string2
# columns are stored separately as ``PyTables`` columns
In [556]: store.root.df_dc.table
Out[556]: 
/df_dc/table (Table(8,)) ''
  description := {
  "index": Int64Col(shape=(), dflt=0, pos=0),
  "values_block_0": Float64Col(shape=(1,), dflt=0.0, pos=1),
  "B": Float64Col(shape=(), dflt=0.0, pos=2),
  "C": Float64Col(shape=(), dflt=0.0, pos=3),
  "string": StringCol(itemsize=3, shape=(), dflt=b'', pos=4),
  "string2": StringCol(itemsize=4, shape=(), dflt=b'', pos=5)}
  byteorder := 'little'
  chunkshape := (1680,)
  autoindex := True
  colindexes := {
    "index": Index(6, mediumshuffle, zlib(1)).is_csi=False,
    "B": Index(6, mediumshuffle, zlib(1)).is_csi=False,
    "C": Index(6, mediumshuffle, zlib(1)).is_csi=False,
    "string": Index(6, mediumshuffle, zlib(1)).is_csi=False,
    "string2": Index(6, mediumshuffle, zlib(1)).is_csi=False}

将大量列设为 data columns 会导致一定的性能下降,因此由用户决定是否指定这些列。此外,在第一次 append/put 操作之后,您不能更改数据列(或可索引列)(当然,您可以简单地读取数据并创建一个新表!)。

迭代器#

您可以将 iterator=Truechunksize=number_in_a_chunk 传递给 selectselect_as_multiple,以返回结果的迭代器。默认情况下,每次返回 50,000 行。

In [557]: for df in store.select("df", chunksize=3):
   .....:     print(df)
   .....: 
                   A         B         C
2000-01-01  0.858644 -0.851236  1.058006
2000-01-02 -0.080372 -1.268121  1.561967
2000-01-03  0.816983  1.965656 -1.169408
                   A         B         C
2000-01-04  0.712795 -0.062433  0.736755
2000-01-05 -0.298721 -1.988045  1.475308
2000-01-06  1.103675  1.382242 -0.650762
                   A         B         C
2000-01-07 -0.729161 -0.142928 -1.063038
2000-01-08 -1.005977  0.465222 -0.094517

注意

您还可以将迭代器与 read_hdf 一起使用,它将在迭代完成后自动打开并关闭存储。

for df in pd.read_hdf("store.h5", "df", chunksize=3):
    print(df)

请注意,chunksize 关键字适用于行。因此,如果您正在执行查询,则 chunksize 将细分表中的总行数并应用查询,返回一个可能大小不等的块的迭代器。

这里有一个用于生成查询并使用它创建等大小返回块的方法。

In [558]: dfeq = pd.DataFrame({"number": np.arange(1, 11)})

In [559]: dfeq
Out[559]: 
   number
0       1
1       2
2       3
3       4
4       5
5       6
6       7
7       8
8       9
9      10

In [560]: store.append("dfeq", dfeq, data_columns=["number"])

In [561]: def chunks(l, n):
   .....:     return [l[i: i + n] for i in range(0, len(l), n)]
   .....: 

In [562]: evens = [2, 4, 6, 8, 10]

In [563]: coordinates = store.select_as_coordinates("dfeq", "number=evens")

In [564]: for c in chunks(coordinates, 2):
   .....:     print(store.select("dfeq", where=c))
   .....: 
   number
1       2
3       4
   number
5       6
7       8
   number
9      10

高级查询#

选择单列#

要检索单个可索引列或数据列,请使用 select_column 方法。例如,这将使您能够非常快速地获取索引。这些方法返回一个结果的 Series,按行号索引。它们目前不接受 where 选择器。

In [565]: store.select_column("df_dc", "index")
Out[565]: 
0   2000-01-01
1   2000-01-02
2   2000-01-03
3   2000-01-04
4   2000-01-05
5   2000-01-06
6   2000-01-07
7   2000-01-08
Name: index, dtype: datetime64[ns]

In [566]: store.select_column("df_dc", "string")
Out[566]: 
0    foo
1    foo
2    foo
3    foo
4    NaN
5    NaN
6    foo
7    bar
Name: string, dtype: object
选择坐标#

有时您可能需要获取查询的坐标(即索引位置)。这将返回一个结果位置的 Index。这些坐标也可以传递给后续的 where 操作。

In [567]: df_coord = pd.DataFrame(
   .....:     np.random.randn(1000, 2), index=pd.date_range("20000101", periods=1000)
   .....: )
   .....: 

In [568]: store.append("df_coord", df_coord)

In [569]: c = store.select_as_coordinates("df_coord", "index > 20020101")

In [570]: c
Out[570]: 
Index([732, 733, 734, 735, 736, 737, 738, 739, 740, 741,
       ...
       990, 991, 992, 993, 994, 995, 996, 997, 998, 999],
      dtype='int64', length=268)

In [571]: store.select("df_coord", where=c)
Out[571]: 
                   0         1
2002-01-02  0.007717  1.168386
2002-01-03  0.759328 -0.638934
2002-01-04 -1.154018 -0.324071
2002-01-05 -0.804551 -1.280593
2002-01-06 -0.047208  1.260503
...              ...       ...
2002-09-22 -1.139583  0.344316
2002-09-23 -0.760643 -1.306704
2002-09-24  0.059018  1.775482
2002-09-25  1.242255 -0.055457
2002-09-26  0.410317  2.194489

[268 rows x 2 columns]
使用 where 掩码进行选择#

有时您的查询可能涉及创建要选择的行列表。通常,此 mask 将是索引操作的结果 index。此示例选择日期时间索引中月份为 5 的行。

In [572]: df_mask = pd.DataFrame(
   .....:     np.random.randn(1000, 2), index=pd.date_range("20000101", periods=1000)
   .....: )
   .....: 

In [573]: store.append("df_mask", df_mask)

In [574]: c = store.select_column("df_mask", "index")

In [575]: where = c[pd.DatetimeIndex(c).month == 5].index

In [576]: store.select("df_mask", where=where)
Out[576]: 
                   0         1
2000-05-01  1.479511  0.516433
2000-05-02 -0.334984 -1.493537
2000-05-03  0.900321  0.049695
2000-05-04  0.614266 -1.077151
2000-05-05  0.233881  0.493246
...              ...       ...
2002-05-27  0.294122  0.457407
2002-05-28 -1.102535  1.215650
2002-05-29 -0.432911  0.753606
2002-05-30 -1.105212  2.311877
2002-05-31  2.567296  2.610691

[93 rows x 2 columns]
Storer 对象#

如果您想检查存储的对象,可以通过 get_storer 检索。您可以通过编程方式使用它,例如获取对象中的行数。

In [577]: store.get_storer("df_dc").nrows
Out[577]: 8

多表查询#

方法 append_to_multipleselect_as_multiple 可以同时对多个表执行追加/选择操作。其思想是拥有一个表(称为选择器表),您在该表中索引大多数/所有列,并执行您的查询。其他表是数据表,其索引与选择器表的索引匹配。然后,您可以在选择器表上执行非常快速的查询,同时获得大量数据。此方法类似于拥有一个非常宽的表,但能够实现更高效的查询。

append_to_multiple 方法根据 d(一个将表名映射到您希望在该表中包含的“列”列表的字典)将给定的单个 DataFrame 拆分为多个表。如果使用 None 代替列表,则该表将包含给定 DataFrame 中剩余的未指定列。参数 selector 定义哪个表是选择器表(您可以从中进行查询)。参数 dropna 将从输入 DataFrame 中删除行,以确保表同步。这意味着,如果要写入的表中的某一行完全是 np.nan,则该行将从所有表中删除。

如果 dropna 为 False,用户有责任同步表。请记住,完全为 np.Nan 的行不会写入 HDFStore,因此如果您选择调用 dropna=False,某些表可能比其他表拥有更多行,因此 select_as_multiple 可能无法工作或可能返回意外结果。

In [578]: df_mt = pd.DataFrame(
   .....:     np.random.randn(8, 6),
   .....:     index=pd.date_range("1/1/2000", periods=8),
   .....:     columns=["A", "B", "C", "D", "E", "F"],
   .....: )
   .....: 

In [579]: df_mt["foo"] = "bar"

In [580]: df_mt.loc[df_mt.index[1], ("A", "B")] = np.nan

# you can also create the tables individually
In [581]: store.append_to_multiple(
   .....:     {"df1_mt": ["A", "B"], "df2_mt": None}, df_mt, selector="df1_mt"
   .....: )
   .....: 

In [582]: store
Out[582]: 
<class 'pandas.io.pytables.HDFStore'>
File path: store.h5

# individual tables were created
In [583]: store.select("df1_mt")
Out[583]: 
                   A         B
2000-01-01  0.162291 -0.430489
2000-01-02       NaN       NaN
2000-01-03  0.429207 -1.099274
2000-01-04  1.869081 -1.466039
2000-01-05  0.092130 -1.726280
2000-01-06  0.266901 -0.036854
2000-01-07 -0.517871 -0.990317
2000-01-08 -0.231342  0.557402

In [584]: store.select("df2_mt")
Out[584]: 
                   C         D         E         F  foo
2000-01-01 -2.502042  0.668149  0.460708  1.834518  bar
2000-01-02  0.130441 -0.608465  0.439872  0.506364  bar
2000-01-03 -1.069546  1.236277  0.116634 -1.772519  bar
2000-01-04  0.137462  0.313939  0.748471 -0.943009  bar
2000-01-05  0.836517  2.049798  0.562167  0.189952  bar
2000-01-06  1.112750 -0.151596  1.503311  0.939470  bar
2000-01-07 -0.294348  0.335844 -0.794159  1.495614  bar
2000-01-08  0.860312 -0.538674 -0.541986 -1.759606  bar

# as a multiple
In [585]: store.select_as_multiple(
   .....:     ["df1_mt", "df2_mt"],
   .....:     where=["A>0", "B>0"],
   .....:     selector="df1_mt",
   .....: )
   .....: 
Out[585]: 
Empty DataFrame
Columns: [A, B, C, D, E, F, foo]
Index: []

从表中删除#

您可以通过指定 where 从表中选择性删除。在删除行时,重要的是要了解 PyTables 通过擦除行,然后移动后续数据来删除行。因此,删除操作可能非常昂贵,具体取决于您数据的方向。为了获得最佳性能,将要删除的维度作为 indexables 的第一个维度是值得的。

数据(在磁盘上)是根据 indexables 进行排序的。这是一个简单的用例。您存储面板类型数据,日期在 major_axis 中,ID 在 minor_axis 中。数据会像这样交错:

  • date_1
    • id_1

    • id_2

    • .

    • id_n

  • date_2
    • id_1

    • .

    • id_n

应该清楚的是,对 major_axis 的删除操作将相当快,因为一个块被移除后,后续数据被移动。另一方面,对 minor_axis 的删除操作将非常昂贵。在这种情况下,使用 where 选择除缺失数据之外的所有数据来重写表几乎肯定会更快。

警告

请注意,HDF5 不会自动回收 h5 文件中的空间。因此,重复删除(或移除节点)并再次添加,往往会增加文件大小

重新打包和清理文件,请使用 ptrepack

注意事项与警告#

压缩#

PyTables 允许对存储的数据进行压缩。这适用于所有类型的存储,而不仅仅是表。使用两个参数来控制压缩:complevelcomplib

  • complevel 指定是否以及如何进行数据压缩。complevel=0complevel=None 禁用压缩,0<complevel<10 启用压缩。

  • complib 指定要使用的压缩库。如果未指定,则使用默认库 zlib。压缩库通常会优化压缩率或速度,结果将取决于数据类型。选择哪种压缩类型取决于您的具体需求和数据。支持的压缩库列表:

    • zlib:默认压缩库。在压缩方面是经典之作,能实现良好的压缩率,但速度稍慢。

    • lzo:快速压缩和解压缩。

    • bzip2:良好的压缩率。

    • blosc:快速压缩和解压缩。

      支持其他 blosc 压缩器:

      • blosc:blosclz:这是 blosc 的默认压缩器。

      • blosc:lz4:一种紧凑、非常流行且快速的压缩器。

      • blosc:lz4hc:LZ4 的调整版本,以牺牲速度为代价,产生更好的压缩比。

      • blosc:snappy:一种在许多地方使用的流行压缩器。

      • blosc:zlib:经典压缩器;比前面几种稍慢,但能实现更好的压缩比。

      • blosc:zstd:一种极其均衡的编解码器;它在上述所有编解码器中提供了最佳压缩比,并且速度相当快。

    如果 complib 定义为列出的库之外的任何内容,则会引发 ValueError 异常。

注意

如果您的平台上缺少使用 complib 选项指定的库,压缩将默认使用 zlib,无需进一步操作。

启用文件中所有对象的压缩功能。

store_compressed = pd.HDFStore(
    "store_compressed.h5", complevel=9, complib="blosc:blosclz"
)

或者在未启用压缩的存储中进行即时压缩(这仅适用于表)。

store.append("df", df, complib="zlib", complevel=5)

ptrepack#

PyTables 提供了更好的写入性能,当表在写入后进行压缩时,而不是从一开始就开启压缩。您可以使用附带的 PyTables 工具 ptrepack。此外,ptrepack 可以在事后更改压缩级别。

ptrepack --chunkshape=auto --propindexes --complevel=9 --complib=blosc in.h5 out.h5

此外,ptrepack in.h5 out.h5重新打包文件,以便您可以重复利用之前删除的空间。或者,也可以直接删除文件并重新写入,或使用 copy 方法。

注意事项#

警告

HDFStore 对于写入不是线程安全的。底层的 PyTables 仅支持并发读取(通过线程或进程)。如果您需要同时进行读取和写入,则需要在一个进程的单个线程中序列化这些操作。否则,您的数据将损坏。有关更多信息,请参见 (GH 2397)。

  • 如果您使用锁来管理多个进程之间的写入访问,您可能需要在释放写入锁之前使用 fsync()。为方便起见,您可以使用 store.flush(fsync=True) 来为您完成此操作。

  • 一旦创建了 table,列(DataFrame)就固定了;只能追加完全相同的列。

  • 请注意,时区(例如 pytz.timezone('US/Eastern'))在不同时区版本之间不一定相等。因此,如果使用某个时区库版本将数据本地化到 HDFStore 中的特定时区,并且该数据使用另一个版本更新,则数据将被转换为 UTC,因为这些时区被认为不相等。要么使用相同版本的时区库,要么使用 tz_convert 和更新的时区定义。

警告

如果列名不能用作属性选择器,PyTables 将显示 NaturalNameWarning自然标识符只包含字母、数字和下划线,并且不能以数字开头。其他标识符不能在 where 子句中使用,通常是个坏主意。

数据类型#

HDFStore 会将对象 dtype 映射到 PyTables 的底层 dtype。这意味着以下类型已知可行:

类型

表示缺失值

浮点型:float64, float32, float16

np.nan

整型:int64, int32, int8, uint64,uint32, uint8

boolean

datetime64[ns]

NaT

timedelta64[ns]

NaT

分类型:见下文

对象型:strings

np.nan

不支持 unicode 列,并且将失败

分类数据#

您可以将包含 category dtype 的数据写入 HDFStore。查询的工作方式与对象数组相同。然而,category dtype 的数据以更高效的方式存储。

In [586]: dfcat = pd.DataFrame(
   .....:     {"A": pd.Series(list("aabbcdba")).astype("category"), "B": np.random.randn(8)}
   .....: )
   .....: 

In [587]: dfcat
Out[587]: 
   A         B
0  a -1.520478
1  a -1.069391
2  b -0.551981
3  b  0.452407
4  c  0.409257
5  d  0.301911
6  b -0.640843
7  a -2.253022

In [588]: dfcat.dtypes
Out[588]: 
A    category
B     float64
dtype: object

In [589]: cstore = pd.HDFStore("cats.h5", mode="w")

In [590]: cstore.append("dfcat", dfcat, format="table", data_columns=["A"])

In [591]: result = cstore.select("dfcat", where="A in ['b', 'c']")

In [592]: result
Out[592]: 
   A         B
2  b -0.551981
3  b  0.452407
4  c  0.409257
6  b -0.640843

In [593]: result.dtypes
Out[593]: 
A    category
B     float64
dtype: object

字符串列#

min_itemsize

HDFStore 的底层实现对字符串列使用固定的列宽(itemsize)。字符串列的 itemsize 是根据首次追加HDFStore 的数据(针对该列)的最大长度计算的。后续追加时,如果引入的字符串长度大于该列所能容纳的长度,将引发异常(否则可能会对这些列进行静默截断,导致信息丢失)。将来我们可能会放宽此限制,并允许用户指定的截断发生。

在首次创建表时传递 min_itemsize,以预先指定特定字符串列的最小长度。min_itemsize 可以是整数,也可以是将列名映射到整数的字典。您可以将 values 作为键传入,以使所有可索引列数据列都具有此 min_itemsize。

传入 min_itemsize 字典将导致所有传入的列自动创建为数据列

注意

如果您未传递任何 data_columns,则 min_itemsize 将是任何传入字符串长度的最大值。

In [594]: dfs = pd.DataFrame({"A": "foo", "B": "bar"}, index=list(range(5)))

In [595]: dfs
Out[595]: 
     A    B
0  foo  bar
1  foo  bar
2  foo  bar
3  foo  bar
4  foo  bar

# A and B have a size of 30
In [596]: store.append("dfs", dfs, min_itemsize=30)

In [597]: store.get_storer("dfs").table
Out[597]: 
/dfs/table (Table(5,)) ''
  description := {
  "index": Int64Col(shape=(), dflt=0, pos=0),
  "values_block_0": StringCol(itemsize=30, shape=(2,), dflt=b'', pos=1)}
  byteorder := 'little'
  chunkshape := (963,)
  autoindex := True
  colindexes := {
    "index": Index(6, mediumshuffle, zlib(1)).is_csi=False}

# A is created as a data_column with a size of 30
# B is size is calculated
In [598]: store.append("dfs2", dfs, min_itemsize={"A": 30})

In [599]: store.get_storer("dfs2").table
Out[599]: 
/dfs2/table (Table(5,)) ''
  description := {
  "index": Int64Col(shape=(), dflt=0, pos=0),
  "values_block_0": StringCol(itemsize=3, shape=(1,), dflt=b'', pos=1),
  "A": StringCol(itemsize=30, shape=(), dflt=b'', pos=2)}
  byteorder := 'little'
  chunkshape := (1598,)
  autoindex := True
  colindexes := {
    "index": Index(6, mediumshuffle, zlib(1)).is_csi=False,
    "A": Index(6, mediumshuffle, zlib(1)).is_csi=False}

nan_rep

字符串列将使用 nan_rep 字符串表示来序列化 np.nan(一个缺失值)。这默认为字符串值 nan。您可能会无意中将一个实际的 nan 值转换为缺失值。

In [600]: dfss = pd.DataFrame({"A": ["foo", "bar", "nan"]})

In [601]: dfss
Out[601]: 
     A
0  foo
1  bar
2  nan

In [602]: store.append("dfss", dfss)

In [603]: store.select("dfss")
Out[603]: 
     A
0  foo
1  bar
2  NaN

# here you need to specify a different nan rep
In [604]: store.append("dfss2", dfss, nan_rep="_nan_")

In [605]: store.select("dfss2")
Out[605]: 
     A
0  foo
1  bar
2  nan

性能#

  • tables 格式与 fixed 存储相比,写入性能会受到影响。其优势在于能够追加/删除和查询(可能是非常大量的数据)。与常规存储相比,写入时间通常更长。查询时间可以相当快,尤其是在索引轴上。

  • 您可以将 chunksize=<int> 传递给 append,以指定写入块大小(默认为 50000)。这将显著降低写入时的内存使用量。

  • 您可以将 expectedrows=<int> 传递给首次 append,以设置 PyTables 预期的总行数。这将优化读写性能。

  • 重复行可以写入表,但在选择时会被过滤掉(选择最后出现的项;因此表在主轴和次轴对上是唯一的)。

  • 如果您尝试存储将被 PyTables 进行 pickle 序列化的类型(而不是作为固有类型存储),将引发 PerformanceWarning。有关更多信息和一些解决方案,请参见此处

Feather#

Feather 为数据帧提供了二进制列式序列化。它旨在提高数据帧读写效率,并简化跨数据分析语言的数据共享。

Feather 旨在忠实地序列化和反序列化 DataFrames,支持所有 pandas dtypes,包括分类和带时区的 datetime 等扩展 dtypes。

一些注意事项

  • 此格式将不会为 DataFrame 写入 IndexMultiIndex,如果提供了非默认的索引,则会引发错误。您可以调用 .reset_index() 来存储索引,或调用 .reset_index(drop=True) 来忽略它。

  • 不支持重复的列名和非字符串列名。

  • 不支持对象 dtype 列中的实际 Python 对象。尝试序列化时,这些将引发一条有用的错误消息。

请参阅完整文档

In [606]: df = pd.DataFrame(
   .....:     {
   .....:         "a": list("abc"),
   .....:         "b": list(range(1, 4)),
   .....:         "c": np.arange(3, 6).astype("u1"),
   .....:         "d": np.arange(4.0, 7.0, dtype="float64"),
   .....:         "e": [True, False, True],
   .....:         "f": pd.Categorical(list("abc")),
   .....:         "g": pd.date_range("20130101", periods=3),
   .....:         "h": pd.date_range("20130101", periods=3, tz="US/Eastern"),
   .....:         "i": pd.date_range("20130101", periods=3, freq="ns"),
   .....:     }
   .....: )
   .....: 

In [607]: df
Out[607]: 
   a  b  c  ...          g                         h                             i
0  a  1  3  ... 2013-01-01 2013-01-01 00:00:00-05:00 2013-01-01 00:00:00.000000000
1  b  2  4  ... 2013-01-02 2013-01-02 00:00:00-05:00 2013-01-01 00:00:00.000000001
2  c  3  5  ... 2013-01-03 2013-01-03 00:00:00-05:00 2013-01-01 00:00:00.000000002

[3 rows x 9 columns]

In [608]: df.dtypes
Out[608]: 
a                        object
b                         int64
c                         uint8
d                       float64
e                          bool
f                      category
g                datetime64[ns]
h    datetime64[ns, US/Eastern]
i                datetime64[ns]
dtype: object

写入 feather 文件。

In [609]: df.to_feather("example.feather")

从 feather 文件读取。

In [610]: result = pd.read_feather("example.feather")

In [611]: result
Out[611]: 
   a  b  c  ...          g                         h                             i
0  a  1  3  ... 2013-01-01 2013-01-01 00:00:00-05:00 2013-01-01 00:00:00.000000000
1  b  2  4  ... 2013-01-02 2013-01-02 00:00:00-05:00 2013-01-01 00:00:00.000000001
2  c  3  5  ... 2013-01-03 2013-01-03 00:00:00-05:00 2013-01-01 00:00:00.000000002

[3 rows x 9 columns]

# we preserve dtypes
In [612]: result.dtypes
Out[612]: 
a                        object
b                         int64
c                         uint8
d                       float64
e                          bool
f                      category
g                datetime64[ns]
h    datetime64[ns, US/Eastern]
i                datetime64[ns]
dtype: object

Parquet#

Apache Parquet 为数据框提供了一种分区二进制列式序列化。它旨在高效地读写数据框,并方便跨数据分析语言共享数据。Parquet 可以使用各种压缩技术来尽可能缩小文件大小,同时仍保持良好的读取性能。

Parquet 旨在忠实地序列化和反序列化 DataFrame,支持所有 pandas 数据类型,包括带时区的 datetime 等扩展数据类型。

几点注意事项。

  • 不支持重复的列名和非字符串列名。

  • pyarrow 引擎始终将索引写入输出,但 fastparquet 仅写入非默认索引。这个额外的列可能会给不期望它的非 pandas 消费者带来问题。无论底层引擎如何,您都可以使用 index 参数强制包含或省略索引。

  • 如果指定了索引级别名称,则必须是字符串。

  • pyarrow 引擎中,非字符串类型的分类数据类型可以序列化为 parquet,但反序列化时将作为其原始数据类型。

  • pyarrow 引擎保留了字符串类型分类数据类型的 ordered 标志。fastparquet 不保留 ordered 标志。

  • 不支持的类型包括 Interval 和实际的 Python 对象类型。尝试序列化时,这些将引发一条有用的错误消息。Period 类型在 pyarrow >= 0.16.0 时受支持。

  • pyarrow 引擎保留了可空整数和字符串数据类型等扩展数据类型(要求 pyarrow >= 0.16.0,并要求扩展类型实现所需的协议,请参阅扩展类型文档)。

您可以指定一个 engine 来指导序列化。它可以是 pyarrowfastparquetauto 之一。如果未指定引擎,则会检查 pd.options.io.parquet.engine 选项;如果此选项也为 auto,则尝试 pyarrow,然后回退到 fastparquet

请参阅 pyarrowfastparquet 的文档。

注意

这些引擎非常相似,应该能够读写几乎相同的 parquet 格式文件。pyarrow>=8.0.0 支持 timedelta 数据,fastparquet>=0.1.4 支持时区感知 datetime。这些库的区别在于底层依赖项不同(fastparquet 使用 numba,而 pyarrow 使用 C 库)。

In [613]: df = pd.DataFrame(
   .....:     {
   .....:         "a": list("abc"),
   .....:         "b": list(range(1, 4)),
   .....:         "c": np.arange(3, 6).astype("u1"),
   .....:         "d": np.arange(4.0, 7.0, dtype="float64"),
   .....:         "e": [True, False, True],
   .....:         "f": pd.date_range("20130101", periods=3),
   .....:         "g": pd.date_range("20130101", periods=3, tz="US/Eastern"),
   .....:         "h": pd.Categorical(list("abc")),
   .....:         "i": pd.Categorical(list("abc"), ordered=True),
   .....:     }
   .....: )
   .....: 

In [614]: df
Out[614]: 
   a  b  c    d      e          f                         g  h  i
0  a  1  3  4.0   True 2013-01-01 2013-01-01 00:00:00-05:00  a  a
1  b  2  4  5.0  False 2013-01-02 2013-01-02 00:00:00-05:00  b  b
2  c  3  5  6.0   True 2013-01-03 2013-01-03 00:00:00-05:00  c  c

In [615]: df.dtypes
Out[615]: 
a                        object
b                         int64
c                         uint8
d                       float64
e                          bool
f                datetime64[ns]
g    datetime64[ns, US/Eastern]
h                      category
i                      category
dtype: object

写入 parquet 文件。

In [616]: df.to_parquet("example_pa.parquet", engine="pyarrow")

In [617]: df.to_parquet("example_fp.parquet", engine="fastparquet")

从 parquet 文件读取。

In [618]: result = pd.read_parquet("example_fp.parquet", engine="fastparquet")

In [619]: result = pd.read_parquet("example_pa.parquet", engine="pyarrow")

In [620]: result.dtypes
Out[620]: 
a                        object
b                         int64
c                         uint8
d                       float64
e                          bool
f                datetime64[ns]
g    datetime64[ns, US/Eastern]
h                      category
i                      category
dtype: object

通过设置 dtype_backend 参数,您可以控制生成的 DataFrame 的默认 dtypes。

In [621]: result = pd.read_parquet("example_pa.parquet", engine="pyarrow", dtype_backend="pyarrow")

In [622]: result.dtypes
Out[622]: 
a                                      string[pyarrow]
b                                       int64[pyarrow]
c                                       uint8[pyarrow]
d                                      double[pyarrow]
e                                        bool[pyarrow]
f                               timestamp[ns][pyarrow]
g                timestamp[ns, tz=US/Eastern][pyarrow]
h    dictionary<values=string, indices=int8, ordere...
i    dictionary<values=string, indices=int8, ordere...
dtype: object

注意

请注意,fastparquet 不支持此功能。

仅读取 parquet 文件的某些列。

In [623]: result = pd.read_parquet(
   .....:     "example_fp.parquet",
   .....:     engine="fastparquet",
   .....:     columns=["a", "b"],
   .....: )
   .....: 

In [624]: result = pd.read_parquet(
   .....:     "example_pa.parquet",
   .....:     engine="pyarrow",
   .....:     columns=["a", "b"],
   .....: )
   .....: 

In [625]: result.dtypes
Out[625]: 
a    object
b     int64
dtype: object

处理索引#

DataFrame 序列化为 parquet 可能将隐式索引作为输出文件中的一个或多个列包含在内。因此,以下代码

In [626]: df = pd.DataFrame({"a": [1, 2], "b": [3, 4]})

In [627]: df.to_parquet("test.parquet", engine="pyarrow")

如果您使用 pyarrow 进行序列化,则会创建具有列的 parquet 文件:ab__index_level_0__。如果您使用 fastparquet,索引可能会或可能不会写入文件。

这个意外的额外列导致一些数据库(如 Amazon Redshift)拒绝该文件,因为目标表中不存在该列。

如果您想在写入时省略数据框的索引,请将 index=False 传递给 to_parquet()

In [628]: df.to_parquet("test.parquet", index=False)

这将创建一个仅包含 ab 两列的 parquet 文件。如果您的 DataFrame 具有自定义索引,则在将此文件加载到 DataFrame 时将无法取回该索引。

传递 index=True始终写入索引,即使这不是底层引擎的默认行为。

分区 Parquet 文件#

Parquet 支持根据一个或多个列的值对数据进行分区。

In [629]: df = pd.DataFrame({"a": [0, 0, 1, 1], "b": [0, 1, 0, 1]})

In [630]: df.to_parquet(path="test", engine="pyarrow", partition_cols=["a"], compression=None)

path 指定将数据保存到的父目录。partition_cols 是数据集将按其分区的列名。列按给定顺序进行分区。分区拆分由分区列中的唯一值确定。上面的示例创建了一个分区数据集,它可能看起来像

test
├── a=0
│   ├── 0bac803e32dc42ae83fddfd029cbdebc.parquet
│   └──  ...
└── a=1
    ├── e6ab24a4f45147b49b54a662f0c412a3.parquet
    └── ...

ORC#

parquet格式类似,ORC 格式是一种二进制列式序列化数据框的格式。它旨在高效地读取数据框。pandas 提供了 ORC 格式的读取器和写入器,即 read_orc()to_orc()。这需要 pyarrow 库。

警告

  • 由于 pyarrow 出现的一些问题,强烈建议使用 conda 安装 pyarrow。

  • to_orc() 需要 pyarrow>=7.0.0。

  • read_orc()to_orc() 暂不支持 Windows,您可以在安装可选依赖项中找到有效的环境。

  • 对于支持的 dtypes,请参阅 Arrow 中支持的 ORC 功能

  • 目前,当数据框转换为 ORC 文件时,datetime 列中的时区不予保留。

In [631]: df = pd.DataFrame(
   .....:     {
   .....:         "a": list("abc"),
   .....:         "b": list(range(1, 4)),
   .....:         "c": np.arange(4.0, 7.0, dtype="float64"),
   .....:         "d": [True, False, True],
   .....:         "e": pd.date_range("20130101", periods=3),
   .....:     }
   .....: )
   .....: 

In [632]: df
Out[632]: 
   a  b    c      d          e
0  a  1  4.0   True 2013-01-01
1  b  2  5.0  False 2013-01-02
2  c  3  6.0   True 2013-01-03

In [633]: df.dtypes
Out[633]: 
a            object
b             int64
c           float64
d              bool
e    datetime64[ns]
dtype: object

写入 ORC 文件。

In [634]: df.to_orc("example_pa.orc", engine="pyarrow")

从 ORC 文件读取。

In [635]: result = pd.read_orc("example_pa.orc")

In [636]: result.dtypes
Out[636]: 
a            object
b             int64
c           float64
d              bool
e    datetime64[ns]
dtype: object

仅读取 ORC 文件的某些列。

In [637]: result = pd.read_orc(
   .....:     "example_pa.orc",
   .....:     columns=["a", "b"],
   .....: )
   .....: 

In [638]: result.dtypes
Out[638]: 
a    object
b     int64
dtype: object

SQL 查询#

pandas.io.sql 模块提供了一系列查询包装器,以方便数据检索并减少对特定数据库 API 的依赖。

在可用时,用户可能首先选择使用 Apache Arrow ADBC 驱动程序。这些驱动程序应提供最佳性能、空值处理和类型检测。

版本 2.2.0 中新增:增加了对 ADBC 驱动程序的原生支持

有关 ADBC 驱动程序及其开发状态的完整列表,请参阅 ADBC 驱动程序实现状态文档。

如果 ADBC 驱动程序不可用或可能缺少功能,用户应选择安装 SQLAlchemy 及其数据库驱动程序库。此类驱动程序的示例包括 PostgreSQL 的 psycopg2 或 MySQL 的 pymysql。对于 SQLite,这默认包含在 Python 的标准库中。您可以在 SQLAlchemy 文档中找到每个 SQL 方言支持的驱动程序概述。

如果未安装 SQLAlchemy,您可以使用 sqlite3.Connection 代替 SQLAlchemy 引擎、连接或 URI 字符串。

另请参阅一些 cookbook 示例,了解一些高级策略。

关键函数是

read_sql_table(table_name, con[, schema, ...])

将 SQL 数据库表读取到 DataFrame 中。

read_sql_query(sql, con[, index_col, ...])

将 SQL 查询读取到 DataFrame 中。

read_sql(sql, con[, index_col, ...])

将 SQL 查询或数据库表读取到 DataFrame 中。

DataFrame.to_sql(name, con, *[, schema, ...])

将存储在 DataFrame 中的记录写入 SQL 数据库。

注意

函数 read_sql()read_sql_table()read_sql_query() 的便捷包装器(以及为了向后兼容),它将根据提供的输入(数据库表名或 SQL 查询)委托给特定函数。如果表名包含特殊字符,则无需加引号。

在以下示例中,我们使用 SQlite SQL 数据库引擎。您可以使用将数据存储在“内存”中的临时 SQLite 数据库。

要使用 ADBC 驱动程序连接,您需要使用包管理器安装 adbc_driver_sqlite。安装后,您可以使用 ADBC 驱动程序提供的 DBAPI 接口连接到数据库。

import adbc_driver_sqlite.dbapi as sqlite_dbapi

# Create the connection
with sqlite_dbapi.connect("sqlite:///:memory:") as conn:
     df = pd.read_sql_table("data", conn)

要使用 SQLAlchemy 连接,您可以使用 create_engine() 函数从数据库 URI 创建引擎对象。对于您要连接的每个数据库,您只需创建一次引擎。有关 create_engine() 和 URI 格式的更多信息,请参阅下面的示例和 SQLAlchemy 文档

In [639]: from sqlalchemy import create_engine

# Create your engine.
In [640]: engine = create_engine("sqlite:///:memory:")

如果您想管理自己的连接,可以传递其中一个。下面的示例使用 Python 上下文管理器打开与数据库的连接,该管理器在块完成后自动关闭连接。有关如何处理数据库连接的解释,请参阅 SQLAlchemy 文档

with engine.connect() as conn, conn.begin():
    data = pd.read_sql_table("data", conn)

警告

当您打开数据库连接时,您也有责任关闭它。未关闭连接的副作用可能包括锁定数据库或其他破坏性行为。

写入 DataFrames#

假设以下数据位于 DataFrame data 中,我们可以使用 to_sql() 将其插入到数据库中。

id

日期

列_1

列_2

列_3

26

2012-10-18

X

25.7

42

2012-10-19

Y

-12.4

63

2012-10-20

Z

5.73

In [641]: import datetime

In [642]: c = ["id", "Date", "Col_1", "Col_2", "Col_3"]

In [643]: d = [
   .....:     (26, datetime.datetime(2010, 10, 18), "X", 27.5, True),
   .....:     (42, datetime.datetime(2010, 10, 19), "Y", -12.5, False),
   .....:     (63, datetime.datetime(2010, 10, 20), "Z", 5.73, True),
   .....: ]
   .....: 

In [644]: data = pd.DataFrame(d, columns=c)

In [645]: data
Out[645]: 
   id       Date Col_1  Col_2  Col_3
0  26 2010-10-18     X  27.50   True
1  42 2010-10-19     Y -12.50  False
2  63 2010-10-20     Z   5.73   True

In [646]: data.to_sql("data", con=engine)
Out[646]: 3

对于某些数据库,写入大型 DataFrame 可能会由于超出数据包大小限制而导致错误。这可以通过在调用 to_sql 时设置 chunksize 参数来避免。例如,以下代码将 data 以每次 1000 行的批量写入数据库

In [647]: data.to_sql("data_chunked", con=engine, chunksize=1000)
Out[647]: 3

SQL 数据类型#

确保 SQL 数据库之间数据类型管理的一致性具有挑战性。并非每个 SQL 数据库都提供相同的类型,即使提供了,给定类型的实现方式也可能有所不同,从而对类型保留方式产生微妙的影响。

为了最大程度地保留数据库类型,建议用户在可用时使用 ADBC 驱动程序。Arrow 类型系统提供了比历史 pandas/NumPy 类型系统更广泛的类型,这些类型与数据库类型更匹配。为了说明这一点,请注意不同数据库和 pandas 后端中可用类型的(非穷尽)列表

numpy/pandas

arrow

postgres

sqlite

int16/Int16

int16

SMALLINT

INTEGER

int32/Int32

int32

INTEGER

INTEGER

int64/Int64

int64

BIGINT

INTEGER

float32

float32

REAL

REAL

float64

float64

DOUBLE PRECISION

REAL

object

string

TEXT

TEXT

bool

bool_

BOOLEAN

datetime64[ns]

timestamp(us)

TIMESTAMP

datetime64[ns,tz]

timestamp(us,tz)

TIMESTAMPTZ

date32

DATE

month_day_nano_interval

INTERVAL

二进制

BINARY

BLOB

decimal128

DECIMAL [1]

list

ARRAY [1]

struct

COMPOSITE TYPE

[1]

脚注

如果您有兴趣在 DataFrame 的整个生命周期中尽可能保留数据库类型,建议用户利用 read_sql()dtype_backend="pyarrow" 参数

# for roundtripping
with pg_dbapi.connect(uri) as conn:
    df2 = pd.read_sql("pandas_table", conn, dtype_backend="pyarrow")

这将阻止您的数据转换为传统的 pandas/NumPy 类型系统,该系统通常会以无法往返的方式转换 SQL 类型。

如果 ADBC 驱动程序不可用,to_sql() 将尝试根据数据的数据类型将您的数据映射到适当的 SQL 数据类型。当您有 object 数据类型的列时,pandas 将尝试推断数据类型。

您始终可以通过使用 dtype 参数指定任何列所需的 SQL 类型来覆盖默认类型。此参数需要一个将列名映射到 SQLAlchemy 类型(或用于 sqlite3 回退模式的字符串)的字典。例如,指定对字符串列使用 sqlalchemy String 类型而不是默认的 Text 类型

In [648]: from sqlalchemy.types import String

In [649]: data.to_sql("data_dtype", con=engine, dtype={"Col_1": String})
Out[649]: 3

注意

由于 timedelta 在不同数据库方言中的支持有限,类型为 timedelta64 的列将作为纳秒级的整数值写入数据库,并会引发警告。唯一的例外是使用 ADBC PostgreSQL 驱动程序时,在这种情况下,timedelta 将作为 INTERVAL 写入数据库。

注意

category 数据类型的列将被转换为密集表示,就像您使用 np.asarray(categorical) 获得的那样(例如,对于字符串类别,这将生成一个字符串数组)。因此,将数据库表读回时不会生成分类数据。

日期时间数据类型#

使用 ADBC 或 SQLAlchemy,to_sql() 能够写入不带时区或带时区的日期时间数据。但是,最终存储在数据库中的数据取决于所用数据库系统对日期时间数据支持的数据类型。

下表列出了某些常见数据库支持的日期时间数据类型。其他数据库方言可能具有不同的日期时间数据类型。

数据库

SQL 日期时间类型

时区支持

SQLite

TEXT

MySQL

TIMESTAMPDATETIME

PostgreSQL

TIMESTAMPTIMESTAMP WITH TIME ZONE

当将带时区的数据写入不支持时区的数据库时,数据将作为相对于时区的本地时间的不带时区的时间戳写入。

read_sql_table() 也能够读取带时区或不带时区的日期时间数据。当读取 TIMESTAMP WITH TIME ZONE 类型时,pandas 会将数据转换为 UTC。

插入方法#

参数 method 控制使用的 SQL 插入子句。可能的值是

  • None: 使用标准 SQL INSERT 子句(每行一个)。

  • 'multi': 在单个 INSERT 子句中传递多个值。它使用一种特殊的 SQL 语法,并非所有后端都支持。这通常为 PrestoRedshift 等分析型数据库提供更好的性能,但如果表包含许多列,则对传统 SQL 后端的性能较差。有关更多信息,请查看 SQLAlchemy 文档

  • 可调用对象,其签名(pd_table, conn, keys, data_iter):这可用于实现基于特定后端方言功能的性能更好的插入方法。

使用 PostgreSQL COPY 子句的可调用对象示例

# Alternative to_sql() *method* for DBs that support COPY FROM
import csv
from io import StringIO

def psql_insert_copy(table, conn, keys, data_iter):
    """
    Execute SQL statement inserting data

    Parameters
    ----------
    table : pandas.io.sql.SQLTable
    conn : sqlalchemy.engine.Engine or sqlalchemy.engine.Connection
    keys : list of str
        Column names
    data_iter : Iterable that iterates the values to be inserted
    """
    # gets a DBAPI connection that can provide a cursor
    dbapi_conn = conn.connection
    with dbapi_conn.cursor() as cur:
        s_buf = StringIO()
        writer = csv.writer(s_buf)
        writer.writerows(data_iter)
        s_buf.seek(0)

        columns = ', '.join(['"{}"'.format(k) for k in keys])
        if table.schema:
            table_name = '{}.{}'.format(table.schema, table.name)
        else:
            table_name = table.name

        sql = 'COPY {} ({}) FROM STDIN WITH CSV'.format(
            table_name, columns)
        cur.copy_expert(sql=sql, file=s_buf)

读取表#

read_sql_table() 将读取给定表名的数据库表,并可选择读取列的子集。

注意

为了使用 read_sql_table(),您必须安装 ADBC 驱动程序或 SQLAlchemy 可选依赖项。

In [650]: pd.read_sql_table("data", engine)
Out[650]: 
   index  id       Date Col_1  Col_2  Col_3
0      0  26 2010-10-18     X  27.50   True
1      1  42 2010-10-19     Y -12.50  False
2      2  63 2010-10-20     Z   5.73   True

注意

ADBC 驱动程序将数据库类型直接映射回 arrow 类型。对于其他驱动程序,请注意 pandas 从查询输出推断列数据类型,而不是通过查找物理数据库架构中的数据类型来推断。例如,假设 userid 是表中的一个整数列。那么,直观上,select userid ... 将返回整数值的系列,而 select cast(userid as text) ... 将返回对象值的(字符串)系列。因此,如果查询输出为空,则所有结果列都将作为对象值返回(因为它们最通用)。如果您预见到您的查询有时会生成空结果,您可能需要在之后显式类型转换以确保数据类型完整性。

您还可以将列名指定为 DataFrame 索引,并指定要读取的列的子集。

In [651]: pd.read_sql_table("data", engine, index_col="id")
Out[651]: 
    index       Date Col_1  Col_2  Col_3
id                                      
26      0 2010-10-18     X  27.50   True
42      1 2010-10-19     Y -12.50  False
63      2 2010-10-20     Z   5.73   True

In [652]: pd.read_sql_table("data", engine, columns=["Col_1", "Col_2"])
Out[652]: 
  Col_1  Col_2
0     X  27.50
1     Y -12.50
2     Z   5.73

您可以明确强制将列解析为日期

In [653]: pd.read_sql_table("data", engine, parse_dates=["Date"])
Out[653]: 
   index  id       Date Col_1  Col_2  Col_3
0      0  26 2010-10-18     X  27.50   True
1      1  42 2010-10-19     Y -12.50  False
2      2  63 2010-10-20     Z   5.73   True

如果需要,您可以明确指定格式字符串,或指定一个参数字典以传递给 pandas.to_datetime()

pd.read_sql_table("data", engine, parse_dates={"Date": "%Y-%m-%d"})
pd.read_sql_table(
    "data",
    engine,
    parse_dates={"Date": {"format": "%Y-%m-%d %H:%M:%S"}},
)

您可以使用 has_table() 检查表是否存在

模式支持#

通过 read_sql_table()to_sql() 函数中的 schema 关键字支持从不同模式读取和写入。但请注意,这取决于数据库类型(sqlite 没有模式)。例如

df.to_sql(name="table", con=engine, schema="other_schema")
pd.read_sql_table("table", engine, schema="other_schema")

查询#

您可以在 read_sql_query() 函数中使用原始 SQL 进行查询。在这种情况下,您必须使用适用于您数据库的 SQL 变体。使用 SQLAlchemy 时,您还可以传递 SQLAlchemy 表达式语言构造,这些构造与数据库无关。

In [654]: pd.read_sql_query("SELECT * FROM data", engine)
Out[654]: 
   index  id                        Date Col_1  Col_2  Col_3
0      0  26  2010-10-18 00:00:00.000000     X  27.50      1
1      1  42  2010-10-19 00:00:00.000000     Y -12.50      0
2      2  63  2010-10-20 00:00:00.000000     Z   5.73      1

当然,您可以指定一个更“复杂”的查询。

In [655]: pd.read_sql_query("SELECT id, Col_1, Col_2 FROM data WHERE id = 42;", engine)
Out[655]: 
   id Col_1  Col_2
0  42     Y  -12.5

read_sql_query() 函数支持 chunksize 参数。指定此参数将返回一个查询结果块的迭代器。

In [656]: df = pd.DataFrame(np.random.randn(20, 3), columns=list("abc"))

In [657]: df.to_sql(name="data_chunks", con=engine, index=False)
Out[657]: 20
In [658]: for chunk in pd.read_sql_query("SELECT * FROM data_chunks", engine, chunksize=5):
   .....:     print(chunk)
   .....: 
          a         b         c
0 -0.395347 -0.822726 -0.363777
1  1.676124 -0.908102 -1.391346
2 -1.094269  0.278380  1.205899
3  1.503443  0.932171 -0.709459
4 -0.645944 -1.351389  0.132023
          a         b         c
0  0.210427  0.192202  0.661949
1  1.690629 -1.046044  0.618697
2 -0.013863  1.314289  1.951611
3 -1.485026  0.304662  1.194757
4 -0.446717  0.528496 -0.657575
          a         b         c
0 -0.876654  0.336252  0.172668
1  0.337684 -0.411202 -0.828394
2 -0.244413  1.094948  0.087183
3  1.125934 -1.480095  1.205944
4 -0.451849  0.452214 -2.208192
          a         b         c
0 -2.061019  0.044184 -0.017118
1  1.248959 -0.675595 -1.908296
2 -0.125934  1.491974  0.648726
3  0.391214  0.438609  1.634248
4  1.208707 -1.535740  1.620399

引擎连接示例#

要使用 SQLAlchemy 连接,您可以使用 create_engine() 函数从数据库 URI 创建引擎对象。您只需为您要连接的每个数据库创建一次引擎。

from sqlalchemy import create_engine

engine = create_engine("postgresql://scott:tiger@localhost:5432/mydatabase")

engine = create_engine("mysql+mysqldb://scott:tiger@localhost/foo")

engine = create_engine("oracle://scott:[email protected]:1521/sidname")

engine = create_engine("mssql+pyodbc://mydsn")

# sqlite://<nohostname>/<path>
# where <path> is relative:
engine = create_engine("sqlite:///foo.db")

# or absolute, starting with a slash:
engine = create_engine("sqlite:////absolute/path/to/foo.db")

有关更多信息,请参阅 SQLAlchemy 文档中的示例。

高级 SQLAlchemy 查询#

您可以使用 SQLAlchemy 构造来描述您的查询。

使用 sqlalchemy.text() 以与后端无关的方式指定查询参数

In [659]: import sqlalchemy as sa

In [660]: pd.read_sql(
   .....:     sa.text("SELECT * FROM data where Col_1=:col1"), engine, params={"col1": "X"}
   .....: )
   .....: 
Out[660]: 
   index  id                        Date Col_1  Col_2  Col_3
0      0  26  2010-10-18 00:00:00.000000     X   27.5      1

如果您有数据库的 SQLAlchemy 描述,则可以使用 SQLAlchemy 表达式表达 where 条件

In [661]: metadata = sa.MetaData()

In [662]: data_table = sa.Table(
   .....:     "data",
   .....:     metadata,
   .....:     sa.Column("index", sa.Integer),
   .....:     sa.Column("Date", sa.DateTime),
   .....:     sa.Column("Col_1", sa.String),
   .....:     sa.Column("Col_2", sa.Float),
   .....:     sa.Column("Col_3", sa.Boolean),
   .....: )
   .....: 

In [663]: pd.read_sql(sa.select(data_table).where(data_table.c.Col_3 is True), engine)
Out[663]: 
Empty DataFrame
Columns: [index, Date, Col_1, Col_2, Col_3]
Index: []

您可以使用 sqlalchemy.bindparam() 将 SQLAlchemy 表达式与传递给 read_sql() 的参数结合使用

In [664]: import datetime as dt

In [665]: expr = sa.select(data_table).where(data_table.c.Date > sa.bindparam("date"))

In [666]: pd.read_sql(expr, engine, params={"date": dt.datetime(2010, 10, 18)})
Out[666]: 
   index       Date Col_1  Col_2  Col_3
0      1 2010-10-19     Y -12.50  False
1      2 2010-10-20     Z   5.73   True

Sqlite 回退#

支持不使用 SQLAlchemy 的 sqlite。此模式需要遵循 Python DB-API 的 Python 数据库适配器。

您可以这样创建连接

import sqlite3

con = sqlite3.connect(":memory:")

然后发出以下查询

data.to_sql("data", con)
pd.read_sql_query("SELECT * FROM data", con)

Google BigQuery#

pandas-gbq 包提供了从 Google BigQuery 读取/写入的功能。

pandas 与此外部包集成。如果安装了 pandas-gbq,您可以使用 pandas 方法 pd.read_gbqDataFrame.to_gbq,它们将调用 pandas-gbq 中的相应函数。

完整文档可在此处找到。

Stata 格式#

写入 Stata 格式#

方法 DataFrame.to_stata() 会将 DataFrame 写入 .dta 文件。此文件的格式版本始终为 115 (Stata 12)。

In [667]: df = pd.DataFrame(np.random.randn(10, 2), columns=list("AB"))

In [668]: df.to_stata("stata.dta")

Stata 数据文件支持的数据类型有限;只有长度为 244 个或更少字符的字符串、int8int16int32float32float64 可以存储在 .dta 文件中。此外,Stata 保留某些值来表示缺失数据。导出超出 Stata 允许范围的非缺失值,对于特定数据类型,会将变量重新转换为下一个更大的大小。例如,int8 值在 Stata 中限制在 -127 到 100 之间,因此值超过 100 的变量将触发转换为 int16nan 浮点数据类型中的值存储为基本缺失数据类型(Stata 中的 .)。

注意

无法导出整数数据类型的缺失数据值。

Stata 写入器可以优雅地处理其他数据类型,包括 int64booluint8uint16uint32,通过强制转换为能够表示数据的最小支持类型。例如,类型为 uint8 的数据如果所有值都小于 100(Stata 中非缺失 int8 数据的上限),则将强制转换为 int8,或者,如果值超出此范围,则变量将强制转换为 int16

警告

如果 int64 值大于 2**53,则从 int64 转换为 float64 可能会导致精度损失。

警告

StataWriterDataFrame.to_stata() 仅支持包含最多 244 个字符的固定宽度字符串,这是版本 115 dta 文件格式施加的限制。尝试写入字符串长度超过 244 个字符的 Stata dta 文件会引发 ValueError

从 Stata 格式读取#

顶级函数 read_stata 将读取 dta 文件并返回 DataFramepandas.api.typing.StataReader,后者可用于增量读取文件。

In [669]: pd.read_stata("stata.dta")
Out[669]: 
   index         A         B
0      0 -0.165614  0.490482
1      1 -0.637829  0.067091
2      2 -0.242577  1.348038
3      3  0.647699 -0.644937
4      4  0.625771  0.918376
5      5  0.401781 -1.488919
6      6 -0.981845 -0.046882
7      7 -0.306796  0.877025
8      8 -0.336606  0.624747
9      9 -1.582600  0.806340

指定 chunksize 将生成一个 pandas.api.typing.StataReader 实例,该实例可用于每次从文件中读取 chunksize 行。StataReader 对象可用作迭代器。

In [670]: with pd.read_stata("stata.dta", chunksize=3) as reader:
   .....:     for df in reader:
   .....:         print(df.shape)
   .....: 
(3, 3)
(3, 3)
(3, 3)
(1, 3)

要进行更精细的控制,请使用 iterator=True,并在每次调用 read() 时指定 chunksize

In [671]: with pd.read_stata("stata.dta", iterator=True) as reader:
   .....:     chunk1 = reader.read(5)
   .....:     chunk2 = reader.read(5)
   .....: 

目前,index 作为一列被检索。

参数 convert_categoricals 指示是否应读取值标签并将其用于创建 Categorical 变量。值标签也可以通过函数 value_labels 检索,这需要在使用前调用 read()

参数 convert_missing 指示是否应保留 Stata 中的缺失值表示。如果为 False(默认值),则缺失值表示为 np.nan。如果为 True,则缺失值表示为 StataMissingValue 对象,并且包含缺失值的列将具有 object 数据类型。

注意

read_stata()StataReader 支持 .dta 格式 113-115 (Stata 10-12)、117 (Stata 13) 和 118 (Stata 14)。

注意

设置 preserve_dtypes=False 将向上转换为标准 pandas 数据类型:所有整数类型为 int64,浮点数据为 float64。默认情况下,导入时保留 Stata 数据类型。

注意

所有 StataReader 对象,无论是通过 read_stata() 创建的(使用 iterator=Truechunksize 时)还是手动实例化的,都必须用作上下文管理器(例如 with 语句)。虽然 close() 方法可用,但不受支持。它不属于公共 API,未来版本将不经警告地删除它。

分类数据#

Categorical 数据可以作为带值标签的数据导出到 Stata 数据文件。导出的数据由底层类别代码作为整数数据值和类别作为值标签组成。Stata 没有明确的 Categorical 等效项,并且导出时会丢失变量是否排序的信息。

警告

Stata 仅支持字符串值标签,因此在导出数据时会调用 str 对类别进行操作。导出包含非字符串类别的 Categorical 变量会产生警告,并且如果类别的 str 表示不唯一,则可能导致信息丢失。

类似地,可以使用关键字参数 convert_categoricals(默认为 True)从 Stata 数据文件导入带标签数据作为 Categorical 变量。关键字参数 order_categoricals(默认为 True)决定导入的 Categorical 变量是否排序。

注意

导入分类数据时,Stata 数据文件中的变量值不会保留,因为 Categorical 变量总是使用 -1n-1 之间的整数数据类型,其中 n 是类别的数量。如果需要 Stata 数据文件中的原始值,可以通过设置 convert_categoricals=False 来导入原始数据(但不包括变量标签)。原始值可以与导入的分类数据匹配,因为原始 Stata 数据值与导入的分类变量的类别代码之间存在简单的映射:缺失值被分配代码 -1,最小的原始值被分配 0,第二小的被分配 1,依此类推,直到最大的原始值被分配代码 n-1

注意

Stata 支持部分带标签的序列。这些序列对某些(但不是所有)数据值具有值标签。导入部分带标签的序列将生成一个 Categorical,其中带标签的值具有字符串类别,而不带标签的值具有数字类别。

SAS 格式#

顶级函数 read_sas() 可以读取(但不能写入)SAS XPORT (.xpt) 和 SAS7BDAT (.sas7bdat) 格式文件。

SAS 文件只包含两种值类型:ASCII 文本和浮点值(通常为 8 字节,但有时会被截断)。对于 xport 文件,没有自动类型转换为整数、日期或分类。对于 SAS7BDAT 文件,格式代码可能允许日期变量自动转换为日期。默认情况下,整个文件被读取并作为 DataFrame 返回。

指定 chunksize 或使用 iterator=True 获取读取器对象(XportReaderSAS7BDATReader)以增量读取文件。读取器对象还具有包含文件及其变量附加信息的属性。

读取 SAS7BDAT 文件

df = pd.read_sas("sas_data.sas7bdat")

获取一个迭代器,并以每次 100,000 行的速度读取 XPORT 文件

def do_something(chunk):
    pass


with pd.read_sas("sas_xport.xpt", chunk=100000) as rdr:
    for chunk in rdr:
        do_something(chunk)

xport 文件格式的规范可从 SAS 网站获取。

SAS7BDAT 格式没有官方文档。

SPSS 格式#

顶级函数 read_spss() 可以读取(但不能写入)SPSS SAV (.sav) 和 ZSAV (.zsav) 格式文件。

SPSS 文件包含列名。默认情况下,整个文件被读取,分类列转换为 pd.Categorical,并返回一个包含所有列的 DataFrame

指定 usecols 参数以获取列的子集。指定 convert_categoricals=False 以避免将分类列转换为 pd.Categorical

读取 SPSS 文件

df = pd.read_spss("spss_data.sav")

从 SPSS 文件中提取 usecols 中包含的列子集,并避免将分类列转换为 pd.Categorical

df = pd.read_spss(
    "spss_data.sav",
    usecols=["foo", "bar"],
    convert_categoricals=False,
)

有关 SAV 和 ZSAV 文件格式的更多信息可在此处找到。

其他文件格式#

pandas 本身仅支持与有限的文件格式进行 I/O,这些文件格式可以清晰地映射到其表格数据模型。要将其他文件格式读取和写入 pandas,我们推荐以下来自更广泛社区的包。

netCDF#

xarray 提供了受 pandas DataFrame 启发的数据结构,用于处理多维数据集,重点是 netCDF 文件格式以及与 pandas 之间的轻松转换。

性能考量#

这是使用 pandas 0.24.2 对各种 I/O 方法进行的非正式比较。计时结果取决于机器,微小差异应忽略。

In [1]: sz = 1000000
In [2]: df = pd.DataFrame({'A': np.random.randn(sz), 'B': [1] * sz})

In [3]: df.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1000000 entries, 0 to 999999
Data columns (total 2 columns):
A    1000000 non-null float64
B    1000000 non-null int64
dtypes: float64(1), int64(1)
memory usage: 15.3 MB

下面将使用以下测试函数来比较几种 I/O 方法的性能

import numpy as np

import os

sz = 1000000
df = pd.DataFrame({"A": np.random.randn(sz), "B": [1] * sz})

sz = 1000000
np.random.seed(42)
df = pd.DataFrame({"A": np.random.randn(sz), "B": [1] * sz})


def test_sql_write(df):
    if os.path.exists("test.sql"):
        os.remove("test.sql")
    sql_db = sqlite3.connect("test.sql")
    df.to_sql(name="test_table", con=sql_db)
    sql_db.close()


def test_sql_read():
    sql_db = sqlite3.connect("test.sql")
    pd.read_sql_query("select * from test_table", sql_db)
    sql_db.close()


def test_hdf_fixed_write(df):
    df.to_hdf("test_fixed.hdf", key="test", mode="w")


def test_hdf_fixed_read():
    pd.read_hdf("test_fixed.hdf", "test")


def test_hdf_fixed_write_compress(df):
    df.to_hdf("test_fixed_compress.hdf", key="test", mode="w", complib="blosc")


def test_hdf_fixed_read_compress():
    pd.read_hdf("test_fixed_compress.hdf", "test")


def test_hdf_table_write(df):
    df.to_hdf("test_table.hdf", key="test", mode="w", format="table")


def test_hdf_table_read():
    pd.read_hdf("test_table.hdf", "test")


def test_hdf_table_write_compress(df):
    df.to_hdf(
        "test_table_compress.hdf", key="test", mode="w", complib="blosc", format="table"
    )


def test_hdf_table_read_compress():
    pd.read_hdf("test_table_compress.hdf", "test")


def test_csv_write(df):
    df.to_csv("test.csv", mode="w")


def test_csv_read():
    pd.read_csv("test.csv", index_col=0)


def test_feather_write(df):
    df.to_feather("test.feather")


def test_feather_read():
    pd.read_feather("test.feather")


def test_pickle_write(df):
    df.to_pickle("test.pkl")


def test_pickle_read():
    pd.read_pickle("test.pkl")


def test_pickle_write_compress(df):
    df.to_pickle("test.pkl.compress", compression="xz")


def test_pickle_read_compress():
    pd.read_pickle("test.pkl.compress", compression="xz")


def test_parquet_write(df):
    df.to_parquet("test.parquet")


def test_parquet_read():
    pd.read_parquet("test.parquet")

写入时,速度最快的前三个函数是 test_feather_writetest_hdf_fixed_writetest_hdf_fixed_write_compress

In [4]: %timeit test_sql_write(df)
3.29 s ± 43.2 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

In [5]: %timeit test_hdf_fixed_write(df)
19.4 ms ± 560 µs per loop (mean ± std. dev. of 7 runs, 1 loop each)

In [6]: %timeit test_hdf_fixed_write_compress(df)
19.6 ms ± 308 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

In [7]: %timeit test_hdf_table_write(df)
449 ms ± 5.61 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

In [8]: %timeit test_hdf_table_write_compress(df)
448 ms ± 11.9 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

In [9]: %timeit test_csv_write(df)
3.66 s ± 26.2 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

In [10]: %timeit test_feather_write(df)
9.75 ms ± 117 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [11]: %timeit test_pickle_write(df)
30.1 ms ± 229 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

In [12]: %timeit test_pickle_write_compress(df)
4.29 s ± 15.9 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

In [13]: %timeit test_parquet_write(df)
67.6 ms ± 706 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

读取时,速度最快的前三个函数是 test_feather_readtest_pickle_readtest_hdf_fixed_read

In [14]: %timeit test_sql_read()
1.77 s ± 17.7 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

In [15]: %timeit test_hdf_fixed_read()
19.4 ms ± 436 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

In [16]: %timeit test_hdf_fixed_read_compress()
19.5 ms ± 222 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

In [17]: %timeit test_hdf_table_read()
38.6 ms ± 857 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

In [18]: %timeit test_hdf_table_read_compress()
38.8 ms ± 1.49 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

In [19]: %timeit test_csv_read()
452 ms ± 9.04 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

In [20]: %timeit test_feather_read()
12.4 ms ± 99.7 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [21]: %timeit test_pickle_read()
18.4 ms ± 191 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [22]: %timeit test_pickle_read_compress()
915 ms ± 7.48 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

In [23]: %timeit test_parquet_read()
24.4 ms ± 146 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

文件 test.pkl.compresstest.parquettest.feather 占用磁盘空间最少(以字节为单位)。

29519500 Oct 10 06:45 test.csv
16000248 Oct 10 06:45 test.feather
8281983  Oct 10 06:49 test.parquet
16000857 Oct 10 06:47 test.pkl
7552144  Oct 10 06:48 test.pkl.compress
34816000 Oct 10 06:42 test.sql
24009288 Oct 10 06:43 test_fixed.hdf
24009288 Oct 10 06:43 test_fixed_compress.hdf
24458940 Oct 10 06:44 test_table.hdf
24458940 Oct 10 06:44 test_table_compress.hdf