pandy read_csv i filtruj kolumny za pomocą usecols

Mam plik csv, który nie przychodzi poprawnie, pandas.read_csvgdy filtruję kolumny usecolsi używam wielu indeksów.

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',
        header=0,
        names=["dummy", "date", "loc", "x"], 
        index_col=["date", "loc"], 
        usecols=["dummy", "date", "loc", "x"],
        parse_dates=["date"])
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

Spodziewam się, że df1 i df2 powinny być takie same, z wyjątkiem brakującej kolumny fikcyjnej, ale kolumny są źle oznaczone. Również data jest analizowana jako data.

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

Używanie numerów kolumn zamiast nazw powoduje ten sam problem. Mogę obejść ten problem, upuszczając kolumnę fikcyjną po kroku read_csv, ale próbuję zrozumieć, co się dzieje. Używam pand 0.10.1.

edit: naprawiono złe użycie nagłówka.

Odpowiedź @chipa całkowicie mija się z celem dwóch argumentów słów kluczowych.

• nazwy są potrzebne tylko wtedy, gdy nie ma nagłówka i chcesz określić inne argumenty przy użyciu nazw kolumn zamiast indeksów całkowitych.
• usecols ma zapewnić filtr przed wczytaniem całego DataFrame do pamięci; jeśli jest używany prawidłowo, nigdy nie powinno być potrzeby usuwania kolumn po przeczytaniu.

To rozwiązanie koryguje te dziwactwa:

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"])

Co daje nam:

                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

Ten kod osiąga to, czego chcesz - jest również dziwny i na pewno zawiera błędy:

Zauważyłem, że działa, gdy:

a) określasz index_colrel. do liczby kolumn, których naprawdę używasz - więc w tym przykładzie są to trzy kolumny, a nie cztery (upuszczasz dummyi zaczynasz liczyć od tego momentu)

b) to samo dla parse_dates

c) nie za usecols;) z oczywistych powodów

d) tutaj dostosowałem, namesaby odzwierciedlić to zachowanie

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

który drukuje

                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

Jeśli plik csv zawiera dodatkowe dane, kolumny można usunąć z DataFrame po zaimportowaniu.

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']

Co daje nam:

                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

Musisz tylko dodać index_col=Falseparametr

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

najpierw zaimportuj csv i użyj csv.DictReader jest łatwy w przetwarzaniu ...