关于python：如何在NumPy中将CSV数据读入记录数组？


How do I read CSV data into a record array in NumPy?

我想知道是否有直接的方法将CSV文件的内容导入记录数组，就像R的read.table()，read.delim()和read.csv()系列将数据导入R的数据框一样？

或者是使用csv.reader()然后应用numpy.core.records.fromrecords()之类的东西的最佳方法？

相关讨论

您可以使用Numpy的genfromtxt()方法，通过将delimiter kwarg设置为逗号。

1
2
from numpy import genfromtxt
my_data = genfromtxt('my_file.csv', delimiter=',')

有关该功能的更多信息，请参见其相应的文档。

相关讨论

我建议pandas库中的read_csv函数：

1
2
3
4
5
import pandas as pd
df=pd.read_csv('myfile.csv', sep=',',header=None)
df.values
array([[ 1. ,  2. ,  3. ],
       [ 4. ,  5.5,  6. ]])

这给了一个pandas DataFrame - 允许许多有用的数据操作函数，这些函数不能直接用于numpy记录数组。

DataFrame is a 2-dimensional labeled data structure with columns of
potentially different types. You can think of it like a spreadsheet or
SQL table...

我还建议genfromtxt。但是，由于问题要求记录数组，而不是普通数组，因此需要将dtype=None参数添加到genfromtxt调用中：

给定一个输入文件，myfile.csv：

1
2
3
4
5
1.0, 2, 3
4, 5.5, 6

import numpy as np
np.genfromtxt('myfile.csv',delimiter=',')

给出一个数组：

1
2
array([[ 1. ,  2. ,  3. ],
       [ 4. ,  5.5,  6. ]])

和

1
np.genfromtxt('myfile.csv',delimiter=',',dtype=None)

给出一个记录数组：

1
2
array([(1.0, 2.0, 3), (4.0, 5.5, 6)],
      dtype=[('f0', '<f8'), ('f1', '<f8'), ('f2', '<i4')])

这样做的好处是可以轻松导入具有多种数据类型(包括字符串)的文件。

相关讨论

您也可以尝试recfromcsv()，它可以猜测数据类型并返回格式正确的记录数组。

相关讨论

我定时了

1
2
from numpy import genfromtxt
genfromtxt(fname = dest_file, dtype = (<whatever options>))

与

1
2
3
4
5
6
7
8
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>)

在460万行，大约70列，发现NumPy路径需要2分16秒，而csv-list理解方法需要13秒。

我建议使用csv-list理解方法，因为它很可能依赖于预编译的库而不是NumPy那样的解释器。我怀疑pandas方法会有类似的解释器开销。

相关讨论

当我尝试使用NumPy和Pandas两种方式时，使用pandas有很多优点：

  • 快点
  • 减少CPU使用率
  • 与NumPy genfromtxt相比，使用1/3 RAM

这是我的测试代码：

1
2
3
4
5
6
$ 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

1
2
from numpy import genfromtxt
train = genfromtxt('/home/hvn/me/notebook/train.csv', delimiter=',')

test_pandas.py

1
2
from pandas import read_csv
df = read_csv('/home/hvn/me/notebook/train.csv')

数据文件：

1
2
du -h ~/me/notebook/train.csv
 59M    /home/hvn/me/notebook/train.csv

在版本中使用NumPy和pandas：

1
2
3
$ pip freeze | egrep -i 'pandas|numpy'
numpy==1.13.3
pandas==0.20.2

您可以使用此代码将CSV文件数据发送到数组中：

1
2
3
import numpy as np
csv = np.genfromtxt('test.csv', delimiter=",")
print(csv)

这是最简单的方法：

import csv
with open('testfile.csv', newline='') as csvfile:
data = list(csv.reader(csvfile))

现在，数据中的每个条目都是一个记录，表示为数组。所以你有一个2D数组。它为我节省了很多时间。

我试过这个：

1
2
3
4
5
import pandas as p
import numpy as n

closingValue = p.read_csv("<FILENAME>", usecols=[4], dtype=float)
print(closingValue)

使用numpy.loadtxt

一个非常简单的方法。但它需要所有元素都是float(int等)

1
2
import numpy as np
data = np.loadtxt('c:\\1.csv',delimiter=',',skiprows=0)

我建议使用表格(pip3 install tables)。您可以使用pandas()将.csv文件保存到.h5，

1
2
3
4
5
import pandas as pd
data = pd.read_csv("dataset.csv")
store = pd.HDFStore('dataset.h5')
store['mydata'] = data
store.close()

然后，您可以轻松地，即使是大量数据，也可以在NumPy阵列中加载数据。

1
2
3
4
5
6
7
import pandas as pd
store = pd.HDFStore('dataset.h5')
data = store['mydata']
store.close()

# Data in NumPy format
data = data.values

这项工作作为魅力......

1
2
3
4
5
6
import csv
with open("data.csv", 'r') as f:
    data = list(csv.reader(f, delimiter=";"))

import numpy as np
data = np.array(data, dtype=np.float)
相关讨论