标签：ESS 存储 忽略 中文 分隔符 链式 不能 ros 避免
pandas对象修改试图模式和副本模式
视图模式：多个变量指向同一个内存
副本模式
当一个对象整体赋值给另一个变量时，视图模式，2个变量对应的内存地址相同，修改一个变量，另外一个变量也会改变
当使用copy将一个变量赋值给另外一个变量
a_values = [
[ "张秀英", 0, 82,171, 66,"阜新市",73],
["毛桂英", 1, 18, 173, 56,"金华市",70],
[ "邵涛", 1,15, 163, 58, "滨州市",88],
["傅丽",1, 68,185,50,"秦皇岛市",81],
["宋秀兰",0,86,182, 79,"乌海市",68]
]
a = pd.DataFrame(a_values,index=[1,2,3,4,5],columns=[‘name‘,‘sex‘,‘age‘,‘heigh‘,‘weight‘,‘address‘,‘grade‘])
#视图模式 修改单元格内的值,a赋值给b时候，a,b同时指向一个地址，节省内存
b = a
b.loc[1, ‘name‘] = ‘bobby‘ # id(a) == id(b)
# 副本模式，方法分为2种
#使用copy赋值；最好使用copy副本模式赋值
c = a.copy()
c.loc[1,‘name‘] = ‘caruso‘
#查询数据的一部分赋值
d = a[[‘name‘,‘sex‘,‘address‘]] # d = a[[‘name‘,‘sex‘,‘address‘]].copy() 优先使用这种方式
d.loc[1, ‘name‘] = ‘drose‘
链式调用：尽量避免链式调用方式修改，容易出错
整体调用一次执行
a.loc[0,‘name‘]
链式调用分开执行，影响效率；更改数据时候，轻度报警高，重度就是不成功
a[‘name‘][0]
a.loc[0][‘name‘]
pandas数据存储，数据的输入输出是基本操作
pandas可以存取多种介质类型数据
文本类数据
二进制数据 （电脑上所有的数据都是2进制数据，高级显示利用编码显示）
数据库
web api数据
其他
文本类数据文件读入pandas是会自动推断每列数据类型并转化
二进制类数据文件会在格式种存储数据类型
对pandas不能支持活不方便使用的数据格式，可以使用支持软件将其转化为csv或xlsx个时候使用pandas读写，如spss文件
csv comma-separated values逗号分隔以纯文本存储表数据的一种格式
二维表格数据结构,精简省空间，用于数据分析
json是多维数据格式，浪费空间，用于传输数据api
写入csv
读取csv
pd.read_csv(‘test.csv‘,
encoding=‘gb2312‘,
sep=‘,‘, #指定分隔符，csv默认是逗号，如果是table表格数据一般为\t
#列索引
# header=0, #默认将第一行设置为表头，其他行也可以
# header=None, # 不将第一行设为索引，列索引
# header=[0,1,2], #层次化索引
# names=[‘姓名‘,‘性别‘,‘年龄‘,‘身高‘,‘体重‘,‘地址‘,‘成绩‘], #配合header=0,自定义索引
#行索引
# index_col=None, #行索引，默认值none，不使用数据列，而是使用系统自带索引
# index_col=0, #把第0行作为列索引
# index_col=‘name‘, #name作为列索引
# index_col=[0,1,2], #默认索引，多列层次化索引
# index_col=[‘name‘,‘age‘], #自定义索引多列
#读取行列
# usecols=[0,2,4], # 读取指定列，默认索引
# usecols=[‘name‘,‘address‘], #读取指定列，自定义索引
# nrows=3, #读取前几行
# skiprows=3, #从表格开始算起忽略的行
# skiprows=[2,4], #跳过2，4行
# skipfooter=2, #从表格末尾忽略的行，必须配合engine=‘python’否则会报警
# engine=‘python‘, #引擎c更快，python更完善
# 替换空间
# na_values=["乌海市"], # 将csv种某些字符替换成空值nan
# keep_default_na=True, # 默认True，同时使用系统自带的空值替换和自定义空值，如na，n/a False只使用自定义空值
# encoding=‘utf-8‘, #默认utf-8, 引擎是python时候需要手动设置
)
a_values = [
[ "张秀英", 0, 82,171, 66,"阜新市",73],
["毛桂英", 1, 18, 173, 56,"金华市",70],
[ "邵涛", 1,15, 163, 58, "滨州市",88],
["傅丽",1, 68,185,50,"秦皇岛市",81],
["宋秀兰",0,86,182, 79,"乌海市",68]
]
a = pd.DataFrame(a_values,index=[1,2,3,4,5],columns=[‘name‘,‘sex‘,‘age‘,‘heigh‘,‘weight‘,‘address‘,‘grade‘])
# 写入
a.to_csv(‘test1.csv‘,encoding=‘gbk‘)
a.to_csv(‘test2.csv‘,encoding=‘gbk‘,index=False) # 不保存行索引 header=False 不保存列索引不推荐
a.to_csv(‘test1.csv‘,encoding=‘gbk‘,columns=[‘name‘,‘age‘,‘grade‘]) # 保存指定的列
层次化索引查询
df = pd.read_csv(‘test.csv‘,header=[0,1,2],encoding=‘gbk‘) df[‘name‘][‘张秀英‘][‘毛桂英‘][0] df = pd.read_csv(‘test.csv‘,index_col=[0,1,2],encoding=‘gbk‘) df.loc[[‘张秀英‘]].loc[‘张秀英‘].loc[0].loc[82][‘address‘]
标签：ESS 存储 忽略 中文 分隔符 链式 不能 ros 避免
原文地址：https://www.cnblogs.com/harden13/p/12987359.html
