Python之CSV模块

1. CSV简介

CSV(Comma Separated Values)是逗号分隔符文本格式，常用于Excel和数据库的导入和导出，Python标准库的CSV模块提供了读取和写入CSV格式文件的对象。

1.1 csv.reader对象和csv文件的读取

csv.reader(csvfile,dialect='excel',**fmtparams)，主要用于文件的读取，返回一个reader对象用于在csv文件内容上进行行迭代。

参数csvfile是文件对象或者list对象;dialect 用于指定csv的格式模式不同程序输出的csv格式有细微差别；fmtparams是一系列参数列表，主要用于设置特定的格式，以覆盖dialect中的格式。

csv.reader对象是可迭代对象，包含以下属性:

1. csv.reader().dialect    #返回其dialect
2. csv.reader().line_num   #f返回读入的行数

  示例1：使用reader对象读取csv文件scores.csv，文件内容如下:

　　学号,姓名,性别,班级,语文,数学,英语
　　100001,小雨,女,1班,72,85,87
　　100002,小雪,女,2班,67,87,77
　　100003,小宇,男,3班,88,78,78
　　100004,小天,男,1班,76,87,84
　　100005,小军,男,3班,79,86,83

#_*_coding=utf-8
import csv
def readcsv(csvfilepath):#列表方式读取
    with open(csvfilepath, 'r', newline='',encoding='utf-8') as csvfile:
        reader = csv.reader(csvfile)#创建csv.reader对象
        for row in reader:
            # 读取出的内容是列表格式的
            print(row)
        print(reader.line_num)
if __name__=='__main__':
    readcsv(r'E:\2018-12-19\scores.csv')
    #输出
    # ['学号', '姓名', '性别', '班级', '语文', '数学', '英语']
    # ['100001', '小雨', '女', '1班', '72', '85', '87']
    # ['100002', '小雪', '女', '2班', '67', '87', '77']
    #....(略)
    #

reader对象

 1.2 csv.writer对象和csv文件的写入

　　csv.writer(csvfile,dialect='excel',**fmtparams)，主要用于把列表数据写入到csv文件。

　　其中参数csvfile是任何支持write()方法的对象，通常为文件对象；dialect 和fmtparams与csv.reader对象构造函数中的参数意义相同。

　　csv.writer对象包含以下属性和方法:

1. writer.writerow(row)　　        #方法，写入一行数据
2. writer.writerows                     #方法，写入多行数据
3. writer.dialect　　                   #只读属性，返回其dialect

　　示例2:  使用writer对象写入csv文件

import csv
def writecsv(csvfilepath):#列表方式写入
    rows=[(100006,'小江','男','1班','','',''),(100007,'小美','女','4班','','','')]
    with open(csvfilepath,'a+',newline='')as csvfile:
        writer = csv.writer(csvfile,dialect='excel')
        writer.writerows(rows)#写入多行
        print(writer.dialect)

if __name__=='__main__':

    writecsv(r'E:\2018-12-19\scores.csv')

writer对象

1.3 csv.DictReader对象和csv文件的读取

　　使用csv.reader对象从csv文件读取数据，结果为列表对象row，需要通过索引row[i]访问。如果希望通过csv文件的首行标题字段名访问，则可以使用csv.DictReader对象读取。

csv.DictReader(csvfile,fieldnames=None,restkey=None,restval=None,dialect='excel',*args,**kwds)

　　其中，csvfile是文件对象或list对象；fieldnames用于指定字段名，如果没有指定，则第一行为字段名；restkey和restval用于指定字段名和数据个数不一致时所对应的字段名或数据值，其他参数同reader对象。

　　DictReader对象属性和方法:　

　　# 方法：
　　csv.DictReader().__next__()# 称之为next(reader)
　　# 属性：
　　csvreader.dialect          # 解析器使用的方言的只读描述。
　　csvreader.line_num      #返回读入的行数
　　csvreader.fieldnames   #返回标题字段名

　　示例3 ：使用DictReader对象读取csv文件

import csv
def  readcsv2(csvfilepath):
    with open(csvfilepath,newline='') as f:
        f_csv = csv.DictReader(f)
        for row in f_csv:
            print(row['姓名'],row['班级'])
        # print('fieldnames:',f_csv.fieldnames)
        # print('dialect:',f_csv.dialect)
        # print('line_num:',f_csv.line_num)

if __name__=='__main__':
    readcsv2(r'E:\2018-12-19\scores.csv')

DictReader对象

 1.4 csv.DictWriter对象和csv文件的写入

　　csv.DictWriter(csvfile,fieldnames,restval = '',extrasaction = 'raise',dialect = 'excel',*args,**kwds)

　　extrasaction用于指定多余字段时的操作，其他参数同上。

　　DictWriter对象的属性和方法:

# 方法：
　　csvwriter.writerow(row)               # 将row写入writer的文件对象,根据当前方言进行格式化。支持迭代
　　csvwriter.writerows(rows)           # 将行中的所有元素写入编写器的文件对象,并根据当前方言进行格式化。支持迭代
　　DictWriter.writeheader()              # 写入标题字段名
　　# 属性：
　　csvwriter.dialect # 使用的方言只读描述
　　示例4 ：使用DictWriter对象写入csv文件

import csv
def writecsv2(csvfilepath):
    headers = ['学号','姓名','性别','班级','语文','数学','英语']
    rows = [{'学号':'','姓名':'小鱼','性别':'男','班级':'1班','语文':'','数学':'','英语':''},
            {'学号':'','姓名':'小高','性别':'女','班级':'6班','语文': '', '数学': '', '英语': ''}
            ]
    with open(csvfilepath,'a+',newline='') as f:
        f_csv = csv.DictWriter(f,headers)
        f_csv.writerows(rows)
if __name__=='__main__':

   writecsv2(r'E:\2018-12-19\scores.csv')

DictWriter对象

 1.5 csv文件格式化参数和Dialect对象

　　1.5.1 csv 文件格式化参数

　　创建reader/writer对象时，可以指定csv文件格式化命名参数。

　　参数说明：
　　delimiter  用于分隔字段的分隔符。默认为","
　　lineterminator  用于写操作的行结束符，默认为“'\r\n ' 。读操作将忽略此选项，它能认出跨平台的行结束符
　　quotechar  用于带有特殊字符（如分隔符）的字段的引用符号。默认为' " '
　　quoting  引用约定。可选值包括

　　  　　csv.QUOTE _ ALL (引用用所有字段）
  　　　　csv.QUOTE_MINIMAL（引用如分隔符之类特殊字符的字段）默认
  　　　　csv.QUOTE_NONNUMERIC (非数字字段)
  　　　　csv.QUOTE_NON （不引用）
　　skipinitialspace  忽略分隔符后面的空白符。默认为False
　　doublequote  如何处理字段内的引用符号。如果为True ，字符串中的双引号使用" "表示；如果为False，使用转义字符escapechar指定的字符
　　escapechar 用于对分隔符进行转义的字符串

　　strict 如果为True，读入错误格式的CSV行时将导致csv.Error；默认值为False

　　示例5 ：csv文件格式化参数示例

import csv
def writecsv3(csvfilepath):
    headers = ['学号','姓名','性别','班级','语文','数学','英语']
    rows = [{'学号':'','姓名':'小南','性别':'男','班级':'1班','语文':'','数学':'','英语':''},
            {'学号':'','姓名':'小风','性别':'女','班级':'6班','语文': '', '数学': '', '英语': ''}
            ]
    with open(csvfilepath,'a+',newline='') as f:
        f_csv = csv.DictWriter(f,headers,delimiter = '，',quoting = csv.QUOTE_ALL)
        f_csv.writerows(rows)
if __name__=='__main__':

   writecsv3(r'E:\2018-12-19\scores.csv')

csv文件格式化

　　1.5.2 Dialect 对象

　　若干格式化参数可以组成Dialect对象，Dialect对象包含对应于命名格式化参数的属性。可以创建 Dialect或其派生类的对象，然后传递给reader或writer的构造函数

　　可以使用下列csv模块的函数，创建Dialect对象。

　　csv.register_dialect(name[,dialect],**fmtparams):使用命名参数，注册一个名称。

　　csv.unregister_dialect(name):取消注册的名称。

　　csv.get_dialect(name):获取注册的名称的Dialect对象，无注册时csv.Error。

　　csv.list_dialects():所有注册Dialect对象的列表。

另外可以使用csv模块函数，获取和设置字段的长度限制:csv.filed_size_limit([new_linit])

　　示例6：Dialect对象示例

import csv
def writecsv4(csvfilepath):
    csv.register_dialect('mydialect',delimiter = '*',quoting = csv.QUOTE_ALL)
    headers = ['学号','姓名','性别','班级','语文','数学','英语']
    rows = [{'学号':'','姓名':'小北','性别':'男','班级':'1班','语文':'','数学':'','英语':''},
            {'学号':'','姓名':'小琴','性别':'女','班级':'6班','语文': '', '数学': '', '英语': ''}
            ]
    with open(csvfilepath,'a+',newline='') as f:
        f_csv = csv.DictWriter(f,headers,dialect='mydialect')
        f_csv.writerows(rows)
if __name__=='__main__':

   writecsv4(r'E:\2018-12-19\scores.csv')

dialect对象

 2. 使用pandas处理大型csv文件

 2.1 pandas简介

Pandas 即Python Data Analysis Library，是为了解决数据分析而创建的第三方工具，它不仅提供了丰富的数据模型，而且支持多种文件格式处理，包括CSV、HDF5、HTML 等，能够提供高效的大型数据处理。其支持的两种数据结构——Series 和DataFrame——是数据处
理的基础。下面先来介绍这两种数据结构。

Series：它是一种类似数组的带索引的一维数据结构，支持的类型与NumPy兼容。如果不指定索引，默认为0到N-1。通过obj.values() 和obj.index() 可以分别获取值和索引。当给Series 传递一个字典的时候，Series 的索引将根据字典中的键排序。如果传入字典的时候同时重新指定了index 参数，当index 与字典中的键不匹配的时候，会出现时数据丢失的情况，标记为NaN。在pandas 中用函数isnull() 和notnull() 来检测数据是否丢失。

import pandas

>>> obj1 = Series([1, 'a', (1,2), 3], index=['a', 'b', 'c', 'd'])
>>> obj1#value 和index 一一匹配
a 1
b a
c (1, 2)
d 3
dtype: object
>>> obj2=Series({"Book":"Python","Author":"Dan","ISBN":"","Price":25},index=['book','Author','ISBM','Price'])
>>> obj2.isnull()
book True # 指定的index 与字典的键不匹配，发生数据丢失
Author False
ISBM True # 指定的index 与字典的键不匹配，发生数据丢失
Price False
dtype: bool

DataFrame ：类似于电子表格，其数据为排好序的数据列的集合，每一列都可以是不同的数据类型，它类似于一个二维数据结构，支持行和列的索引。和Series 一样，索引会自动分配并且能根据指定的列进行排序。使用最多的方式是通过一个长度相等的列表的字典来构建。构建一个DataFrame 最常用的方式是用一个相等长度
列表的字典或NumPy 数组。DataFrame 也可以通过columns 指定序列的顺序进行排序。

data = {'OrderDate': ['1-6-10', '1-23-10', '2-9-10', '2-26-10', '3-15-10'],
... 'Region': ['East', 'Central', 'Central', 'West', 'East'],
... 'Rep': ['Jones', 'Kivell', 'Jardine', 'Gill', 'Sorv ino']}
>>>
>>> DataFrame(data,columns=['OrderDate','Region','Rep'])# 通过字典构建，按照cloumns指定的顺序排序
OrderDate Region Rep
0 1-6-10 East Jones
1 1-23-10 Central Kivell
2 2-9-10 Central Jardine
3 2-26-10 West Gill
4 3-15-10 East Sorvino

2.2 pandas处理csv文件

Pandas中处理CSV文件的函数主要为read_csv()和to_csv()这两个，其中read_csv()读取CSV文件的内容并返回DataFrame,to_csv() 则是其逆过程。

1）读取指定行和列的数据
具体的实现代码如下：
df = pd.read_csv("SampleData.csv",nrows=5,usecols=['OrderDate','Item','Total'])
方法read_csv()的参数nrows 指定读取文件的行数，usecols 指定所要读取的列的列名，如果没有列名，可直接使用索引0、1、...、n-1。上述两个参数对大文件处理非常有用，可以避免读入整个文件而只选取所需要部分进行读取。

import pandas as pd
def  readcsv3(csvfilepath):
    df = pd.read_csv(csvfilepath, nrows=3, usecols=['学号', '姓名','班级'],encoding='gbk')
    print(df)

if __name__=='__main__':
    readcsv3(r'E:\2018-12-19\scores.csv')
   #输出
   #           学号   姓名  班级
   #   0  100001  小雨  1班
   #   1  100002  小雪  2班
   #   2  100003  小宇  3班

读取指定行和列

如果出现错误提示：UnicodeDecodeError: 'ascii' codec can't decode byte 0xb8

原因：含有中文字符，将encoding设置为gbk

2）设置CSV文件与excel兼容
将scores.csv文件内容修改如下:

学号,姓名,性别,班级,语文,数学,英语
100001,小雨,女,1班,72,85,87
100002,小雪,女,2班,67,87,77
100003,小宇,小白,男,3班,88,78,78
100004,小天,男,1班,76,87,84
100005,小军,男,3班,79,86,83
100006,小江,男,1班,77,79,80,44
100007,小美,女,4班,77,88,80,44
100001,小鱼,男,1班,72,82,85,33
100002,小高,女,6班,74,88,85,77

Scores.csv

下面的代码用于设置CSV 文件与excel 兼容，error_bad_lines=False 会直接忽略不符合要求的记录。

import pandas as pd
def  readcsv4(csvfilepath):
    dia = csv.excel()
    df = pd.read_csv(csvfilepath, dialect=dia, error_bad_lines=False,encoding='gbk')
    print(df)

if __name__=='__main__':
    readcsv4(r'E:\2018-12-19\scores.csv')
   #输出
   #      学号  姓名 性别  班级  语文  数学  英语
   # 0  100001  小雨  女   1班   72    85    87
   # 1  100002  小雪  女   2班   67    87    77
   # 2  100004  小天  男  1班    76    87    84
   # 3  100005  小军  男  3班    79    86    83

3）对文件进行分块处理并返回一个可迭代的对象
分块处理可以避免将所有的文件载入内存，仅在使用的时候读入所需内容。参数chunksize设置分块的文件行数，2表示每一块包含2个记录。将参数iterator 设置为True时，返回值为TextFileReader，它是一个可迭代对象。
来看下面的例子，当chunksize=2、iterator=True 时，每次输出为包含2个记录的块。 

import pandas as pd
def  readcsv5(csvfilepath):
    df = pd.read_csv(csvfilepath,encoding='gbk',chunksize=2,iterator=True)
    print(df)#<pandas.io.parsers.TextFileReader object at 0x00000293FA870320>
    print(iter(df).__next__())

if __name__=='__main__':
    readcsv5(r'E:\2018-12-19\scores.csv')
   #输出
   #      学号  姓名 性别  班级  语文  数学  英语
   # 0  100001  小雨  女   1班   72    85    87
   # 1  100002  小雪  女   2班   67    87    77

>>>>>待续