Introducere în fișiere plate

Ingestie eficientă a datelor cu pandas

Amany Mahfouz

Instructor

pandas

sigla pandas

DataFrame-uri

Structură pandas pentru date bidimensionale

DataFrame cu țări, capitale și suprafață în mile pătrate

DataFrame-uri

Structură pandas pentru date bidimensionale

DataFrame cu etichetele coloanelor (Country, Population, Area (sq. mi.)) evidențiate

DataFrame-uri

Structură pandas pentru date bidimensionale

DataFrame cu etichetele/indicii rândurilor evidențiați

Fișiere plate

Format simplu, ușor de creat
Date stocate ca text simplu (fără formatare)
Un rând pe linie
Valorile câmpurilor sunt separate printr-un delimitator
Cel mai frecvent tip: valori separate prin virgulă
O singură funcție pandas pentru încărcare: read_csv()

Încărcarea fișierelor CSV

Exemplu din us_tax_data_2016.csv

STATEFIPS,STATE,zipcode,agi_stub,...,N11901,A11901,N11902,A11902
1,AL,0,1,...,63420,51444,711580,1831661

import pandas as pd


tax_data = pd.read_csv("us_tax_data_2016.csv")

tax_data.head(4)

   STATEFIPS STATE  zipcode  agi_stub   ...     N11901  A11901  N11902   A11902
0          1    AL        0         1   ...      63420   51444  711580  1831661
1          1    AL        0         2   ...      74090  110889  416090  1173463
2          1    AL        0         3   ...      64000  143060  195130   543284
3          1    AL        0         4   ...      45020  128920  117410   381329

[4 rows x 147 columns]

Încărcarea altor fișiere plate

Specificați un alt delimitator cu sep

Exemplu din us_tax_data_2016.tsv

STATEFIPS    STATE    zipcode    agi_stub    ...    N11901    A11901    N11902    A11902
1    AL    0    1    ...    63420    51444    711580    1831661

import pandas as pd

tax_data = pd.read_csv("us_tax_data_2016.tsv", sep="\t")

tax_data.head(3)

   STATEFIPS STATE  zipcode  agi_stub   ...     N11901  A11901  N11902   A11902
0          1    AL        0         1   ...      63420   51444  711580  1831661
1          1    AL        0         2   ...      74090  110889  416090  1173463
2          1    AL        0         3   ...      64000  143060  195130   543284

[3 rows x 147 columns]

Să exersăm!

Ingestie eficientă a datelor cu pandas