Pandas read_csv и фильтровать столбцы с помощью usecols

У меня есть файл csv, который не подходит с pandas.read_csv, когда я фильтрую столбцы с помощью usecols и использую несколько индексов.

import pandas as pd
csv = r"""dummy,date,loc,x
bar,20090101,a,1
bar,20090102,a,3
bar,20090103,a,5
bar,20090101,b,1
bar,20090102,b,3
bar,20090103,b,5"""
f = open('foo.csv', 'w')
f.write(csv)
f.close()

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

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

Я ожидаю, что df1 и df2 должны быть одинаковыми, за исключением отсутствующего фиктивного столбца, но столбцы попадают в неверную метку. Также дата обрабатывается как дата.

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

Использование номеров столбцов вместо имен дает мне ту же проблему. Я могу решить эту проблему, отбросив фиктивный столбец после шага read_csv, но я пытаюсь понять, что происходит не так. Я использую pandas 0.10.1.

edit: исправлено плохое использование заголовка.

Ответы

Ответ 1

Если ваш файл csv содержит дополнительные данные, столбцы могут быть удалены из DataFrame после импорта.

import pandas as pd
from StringIO import StringIO

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

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

Что дает нам:

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

Ответ 2

Ответ от @chip полностью пропускает точку двух аргументов ключевого слова.

имена необходимы, только если нет заголовка, и вы хотите указать другие аргументы, используя имена столбцов, а не целые индексы.
usecols должен предоставить фильтр перед чтением всего DataFrame в память; если они используются правильно, никогда не должно быть необходимости удалять столбцы после чтения.

Это решение исправляет эти нечетности:

import pandas as pd
from StringIO import StringIO

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

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

Что дает нам:

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

Ответ 3

Этот код достигает того, чего вы хотите - также его странного и, безусловно, багги:

Я заметил, что он работает, когда:

a) вы указываете index_col rel. к числу столбцов, которые вы действительно используете, - поэтому его три столбца в этом примере, а не четыре (вы отбрасываете dummy и начинаете отсчет с этого времени)

b) то же самое для parse_dates

c) не так для usecols;) по очевидным причинам

d) здесь я адаптировал names, чтобы отразить это поведение

import pandas as pd
from StringIO import StringIO

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

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

print df

который печатает

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

Ответ 4

импортировать csv сначала и использовать csv.DictReader, его легко обрабатывать...