Jak odczytać dane CSV do tablicy rekordów w NumPy?

Zastanawiam się, czy istnieje bezpośredni sposób importować zawartość pliku CSV do rekordu tablicy, dużo w ten sposób, że grupę R read.table(), read.delim()oraz read.csv()import danych do rodziny ramki danych w R?

A może najlepszym sposobem jest użycie csv.reader (), a następnie zastosowanie czegoś takiego numpy.core.records.fromrecords()?

Możesz użyć genfromtxt()do tego metody Numpy , ustawiając delimiterkwarg na przecinek.

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

Więcej informacji na temat funkcji można znaleźć w odpowiedniej dokumentacji .

Poleciłbym read_csvfunkcję z pandasbiblioteki:

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

Daje to pandę DataFrame - pozwalającą na wiele przydatnych funkcji manipulacji danymi, które nie są bezpośrednio dostępne w przypadku tablic rekordów numpy .

DataFrame to dwuwymiarowa, oznaczona struktura danych z kolumnami potencjalnie różnych typów. Możesz myśleć o tym jak o arkuszu kalkulacyjnym lub tabeli SQL ...

Poleciłbym również genfromtxt. Ponieważ jednak pytanie dotyczy tablicy rekordów , w przeciwieństwie do tablicy normalnej, dtype=Noneparametr należy dodać do genfromtxtwywołania:

Biorąc pod uwagę 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)

daje 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 można łatwo zaimportować plik z wieloma typami danych (w tym ciągami znaków) .

Zmierzyłem czas

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

przeciw

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 stwierdził, że ścieżka NumPy zajęła 2 min 16 sekund, a metoda zrozumienia listy csv zajęła 13 sekund.

Poleciłbym metodę rozumienia listy csv, ponieważ najprawdopodobniej opiera się ona na wstępnie skompilowanych bibliotekach, a nie interpretera tak bardzo jak NumPy. Podejrzewam, że metoda pand miałaby podobny narzut tłumacza.

Możesz także spróbować recfromcsv()ustalić, które typy danych są w stanie zgadnąć, i zwrócić odpowiednio sformatowaną tablicę rekordów.

Ponieważ próbowałem obu sposobów, używając NumPy i Pand, używanie pand ma wiele zalet:

• Szybciej
• Mniejsze zużycie procesora
• 1/3 wykorzystania 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 pandami w wersjach:

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

Możesz użyć tego kodu, aby wysłać dane pliku CSV do tablicy:

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

Za pomocą numpy.loadtxt

Dość prosta metoda. Ale wymaga, aby wszystkie elementy były pływające (int i tak dalej)

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

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. Masz więc tablicę 2D. Oszczędzało mi to dużo czasu.

Próbowałem tego:

import pandas as p
import numpy as n

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

Sugerowałbym użycie tabel ( pip3 install tables). Możesz zapisać .csvplik za .h5pomocą pand ( pip3 install pandas),

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

Następnie możesz łatwo i przy mniejszym czasie, nawet w przypadku dużej ilości danych, załadować dane do tablicy NumPy .

import pandas as pd
store = pd.HDFStore('dataset.h5')
data = store['mydata']
store.close()

# Data in NumPy format
data = data.values

To działa jak urok ...

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)