Wie man CSV-Dateien in Python analysiert

CSV-Dateien werden häufig verwendet, um tabellarische Daten in einer Datei zu speichern. Wir können Daten aus Datenbanktabellen oder Excel-Dateien problemlos in CSV-Dateien exportieren. Sie sind sowohl für Menschen als auch im Programm leicht lesbar. In diesem Tutorial werden wir lernen, wie man CSV-Dateien in Python analysiert.

Was ist Parsing?

Eine Datei zu parsen bedeutet, die Daten aus einer Datei zu lesen. Die Datei kann Textdaten enthalten, sogenannte Textdateien, oder sie kann eine Tabelle sein.

Was ist eine CSV-Datei?

CSV steht für durch Kommas getrennte Dateien, d.h. Daten werden durch Kommas voneinander getrennt. CSV-Dateien werden von Programmen erstellt, die eine große Menge an Daten verarbeiten. Daten aus CSV-Dateien können leicht in Form von Tabellenkalkulationen und Datenbanken exportiert sowie in andere Programme importiert werden. Lassen Sie uns sehen, wie man eine CSV-Datei analysiert. Das Parsen von CSV-Dateien in Python ist ziemlich einfach. Python verfügt über eine eingebaute CSV-Bibliothek, die die Funktionalität sowohl zum Lesen als auch zum Schreiben von Daten aus und in CSV-Dateien bereitstellt. Es gibt eine Vielzahl von Formaten für CSV-Dateien in der Bibliothek, die die Datenverarbeitung benutzerfreundlich gestalten.

Das Parsen einer CSV-Datei in Python

CSV-Dateien mit dem eingebauten Python-CSV-Modul lesen.

import csv

with open('university_records.csv', 'r') as csv_file:
    reader = csv.reader(csv_file)

    for row in reader:
        print(row)

Ausgabe:

Eine CSV-Datei in Python schreiben

Um eine Datei zu schreiben, müssen wir sie im Schreib- oder Anhängemodus öffnen. Hier werden wir die Daten an die vorhandene CSV-Datei anhängen.

import csv

row = ['David', 'MCE', '3', '7.8']

row1 = ['Lisa', 'PIE', '3', '9.1']

row2 = ['Raymond', 'ECE', '2', '8.5']

with open('university_records.csv', 'a') as csv_file:
    writer = csv.writer(csv_file)

    writer.writerow(row)

    writer.writerow(row1)

    writer.writerow(row2)

CSV-Dateien mit der Pandas-Bibliothek analysieren

Es gibt noch eine weitere Möglichkeit, mit CSV-Dateien zu arbeiten, die die beliebteste und professionellste ist, und das ist die Verwendung der Pandas-Bibliothek. Pandas ist eine Python-Bibliothek zur Datenanalyse. Sie bietet verschiedene Strukturen, Werkzeuge und Operationen zum Arbeiten und Manipulieren von gegebenen Daten, die hauptsächlich zweidimensionale oder eindimensionale Tabellen sind.

Verwendungen und Eigenschaften der pandas-Bibliothek

• Datensätze drehen und umformen.
• Datenmanipulation mit Indizierung unter Verwendung von DataFrame-Objekten.
• Datenfiltration.
• Vereinigungs- und Verknüpfungsoperationen auf Datensätzen.
• Schneiden, Indizieren und Teilmengen von massiven Datensätzen.
• Umgang mit fehlenden Daten und Datenabgleich.
• Einfügen und Löschen von Zeilen/Spalten.
• Eindimensionale verschiedene Dateiformate.
• Lesen und Schreiben von Werkzeugen für Daten in verschiedenen Dateiformaten.

Um mit der CSV-Datei zu arbeiten, müssen Sie pandas installieren. Die Installation von pandas ist ziemlich einfach, folgen Sie den Anweisungen unten, um es mit PIP zu installieren.

pip install pandas

Python Installieren von Pandas[/caption] [caption id=“attachment_30145 ” align=“aligncenter ” width=“727 ”]

Sobald die Installation abgeschlossen ist, kann es losgehen.

Eine CSV-Datei mit dem Pandas-Modul lesen

Sie müssen den Pfad wissen, in dem sich Ihre Datendatei in Ihrem Dateisystem befindet, und was Ihr aktuelles Arbeitsverzeichnis ist, bevor Sie pandas verwenden können, um Ihre CSV-Dateidaten zu importieren. Ich empfehle, Ihren Code und die Datendatei im selben Verzeichnis oder Ordner zu speichern, damit Sie den Pfad nicht angeben müssen, was Ihnen Zeit und Platz spart.

import pandas

result = pandas.read_csv('ign.csv')

print(result)

Ausgabe

Eine CSV-Datei mit dem Pandas-Modul erstellen

Das Schreiben von CSV-Dateien mit Pandas ist so einfach wie das Lesen. Der einzige neue Begriff, der verwendet wird, ist DataFrame. Das Pandas DataFrame ist eine zweidimensionale, heterogene tabellarische Datenstruktur (Daten sind in tabellarischer Form in Zeilen und Spalten angeordnet). Das Pandas DataFrame besteht aus drei Hauptkomponenten - Daten, Spalten und Zeilen - mit einer beschrifteten x-Achse und y-Achse (Zeilen und Spalten).

from pandas import DataFrame

C = {'Programming language': ['Python', 'Java', 'C++'],

     'Designed by': ['Guido van Rossum', 'James Gosling', 'Bjarne Stroustrup'],

     'Appeared': ['1991', '1995', '1985'],

     'Extension': ['.py', '.java', '.cpp'],

     }

df = DataFrame(C, columns=['Programming language', 'Designed by', 'Appeared', 'Extension'])

export_csv = df.to_csv(r'program_lang.csv', index=None, header=True)

Ausgabe

Schlussfolgerung

Wir haben gelernt, eine CSV-Datei mit dem integrierten CSV-Modul und dem Pandas-Modul zu analysieren. Es gibt viele verschiedene Möglichkeiten, die Dateien zu parsen, aber Programmierer nutzen sie nicht weit verbreitet. Bibliotheken wie PlyPlus, PLY und ANTLR sind einige der Bibliotheken, die zum Parsen von Textdaten verwendet werden. Jetzt wissen Sie, wie Sie die eingebaute CSV-Bibliothek und das leistungsstarke Pandas-Modul zum Lesen und Schreiben von Daten im CSV-Format verwenden. Die oben gezeigten Codes sind sehr einfach und klar. Sie sind verständlich für jeden, der mit Python vertraut ist, daher denke ich, dass es keine Erklärung benötigt. Die Manipulation komplexer Daten mit leeren und mehrdeutigen Dateneingaben ist jedoch nicht einfach. Es erfordert Übung und Wissen über verschiedene Werkzeuge in Pandas. CSV ist der beste Weg, Daten zu speichern und zu teilen. Pandas ist eine ausgezeichnete Alternative zu CSV-Modulen. Sie werden es am Anfang vielleicht schwierig finden, aber es ist nicht so schwer zu lernen. Mit etwas Übung werden Sie es meistern.