Jak odczytać dane CSV do tablicy rekordów w NumPy?
Zastanawiam się, czy istnieje bezpośredni sposób na zaimportowanie zawartości pliku CSV do tablicy rekordów, znacznie w sposób, w jaki R ' S read.table()
, read.delim()
, i read.csv()
rodzina importuje dane do ramki danych R?
Lub jest najlepszym sposobem użycia csv.reader () a następnie zastosować coś w rodzaju numpy.core.records.fromrecords()
?
10 answers
Możesz użyć w tym celu metody Numpy genfromtxt()
, ustawiając delimiter
kwarg na przecinek.
from numpy import genfromtxt
my_data = genfromtxt('my_file.csv', delimiter=',')
Więcej informacji na temat funkcji można znaleźć w odpowiedniej dokumentacji .
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2012-03-02 15:05:49
Polecam read_csv
funkcja z biblioteki pandas
:
import pandas as pd
df=pd.read_csv('myfile.csv', sep=',',header=None)
df.values
array([[ 1. , 2. , 3. ],
[ 4. , 5.5, 6. ]])
To daje pandy DataFrame - pozwalające na wiele przydatnych funkcji manipulacji danymi, które nie są bezpośrednio dostępne z tablicami rekordów numpy.
DataFrame jest dwuwymiarową strukturą danych z kolumnami potencjalnie różne typy. Można o tym myśleć jak o arkuszu kalkulacyjnym lub Tabela SQL...
Polecam również genfromtxt
. Jednak, ponieważ pytanie wymaga tablicy rekordów , W przeciwieństwie do zwykłej tablicy, parametr dtype=None
musi zostać dodany do wywołania genfromtxt
:
Podano plik wejściowy, myfile.csv
:
1.0, 2, 3
4, 5.5, 6
import numpy as np
np.genfromtxt('myfile.csv',delimiter=',')
Daje tablicę:
array([[ 1. , 2. , 3. ],
[ 4. , 5.5, 6. ]])
I
np.genfromtxt('myfile.csv',delimiter=',',dtype=None)
Podaje tablicę rekordów:
array([(1.0, 2.0, 3), (4.0, 5.5, 6)],
dtype=[('f0', '<f8'), ('f1', '<f8'), ('f2', '<i4')])
Ma to tę zaletę, że plik z wieloma typami danych (w tym łańcuchami znaków) można łatwo zaimportować.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2017-05-23 12:10:48
Możesz również spróbować recfromcsv()
, które może odgadnąć typy danych i zwrócić odpowiednio sformatowaną tablicę rekordów.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2011-01-18 12:44:35
I timed the
from numpy import genfromtxt
genfromtxt(fname = dest_file, dtype = (<whatever options>))
Kontra
import csv
import numpy as np
with open(dest_file,'r') as dest_f:
data_iter = csv.reader(dest_f,
delimiter = delimiter,
quotechar = '"')
data = [data for data in data_iter]
data_array = np.asarray(data, dtype = <whatever options>)
Na 4,6 miliona wierszy z około 70 kolumnami i okazało się, że ścieżka NumPy zajęła 2 min 16 sekund, a metoda rozumienia csv-list zajęła 13 sekund.
Polecam metodę rozumienia csv-list, ponieważ najprawdopodobniej opiera się ona na wstępnie skompilowanych bibliotekach, a nie na interpreterze tak samo jak NumPy. Podejrzewam, że metoda pandy miałaby podobne znaczenie.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2018-07-15 08:26:48
Ponieważ próbowałem obu sposobów używając NumPy i pand, używanie pand ma wiele zalet: {]}
- Faster
- mniejsze zużycie procesora
- użycie 1/3 pamięci RAM w porównaniu do NumPy genfromtxt
To jest mój kod testowy:
$ for f in test_pandas.py test_numpy_csv.py ; do /usr/bin/time python $f; done
2.94user 0.41system 0:03.05elapsed 109%CPU (0avgtext+0avgdata 502068maxresident)k
0inputs+24outputs (0major+107147minor)pagefaults 0swaps
23.29user 0.72system 0:23.72elapsed 101%CPU (0avgtext+0avgdata 1680888maxresident)k
0inputs+0outputs (0major+416145minor)pagefaults 0swaps
Test_numpy_csv.py
from numpy import genfromtxt
train = genfromtxt('/home/hvn/me/notebook/train.csv', delimiter=',')
Test_pandas.py
from pandas import read_csv
df = read_csv('/home/hvn/me/notebook/train.csv')
Plik danych:
du -h ~/me/notebook/train.csv
59M /home/hvn/me/notebook/train.csv
Z NumPy i pandy w wersjach:
$ pip freeze | egrep -i 'pandas|numpy'
numpy==1.13.3
pandas==0.20.2
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2018-07-15 08:29:04
Możesz użyć tego kodu do wysłania danych pliku CSV do tablicy:
import numpy as np
csv = np.genfromtxt('test.csv', delimiter=",")
print(csv)
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2018-07-15 08:27:15
Próbowałem tego:
import pandas as p
import numpy as n
closingValue = p.read_csv("<FILENAME>", usecols=[4], dtype=float)
print(closingValue)
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2017-08-12 19:45:07
Za pomocą numpy.loadtxt
import numpy as np
data = np.loadtxt('c:\\1.csv',delimiter=',',skiprows=0)
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2018-05-24 16:42:46
To najprostszy sposób:
import csv
with open('testfile.csv', newline='') as csvfile:
data = list(csv.reader(csvfile))
Teraz każdy wpis w danych jest rekordem reprezentowanym jako tablica. Macie macierz 2D. Zaoszczędziło mi to tyle czasu.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2018-06-13 21:00:25
Sugerowałbym użycie tabel (pip3 install tables
). Możesz zapisać plik .csv
do .h5
używając pand (pip3 install pandas
),
import pandas as pd
data = pd.read_csv("dataset.csv")
store = pd.HDFStore('dataset.h5')
store['mydata'] = data
store.close()
Można wtedy łatwo, i z krótszym czasem nawet dla ogromnej ilości danych, załadować dane w tablicy NumPy.
import pandas as pd
store = pd.HDFStore('dataset.h5')
data = store['mydata']
store.close()
# Data in NumPy format
data = data.values
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2018-07-15 08:30:23