我有一个txt文件,格式如下(简化):
date this that other
2007-05-25 11:00:00 10 20 30
2007-05-25 11:10:00 15 18 30
2007-05-25 11:20:00 10 27 30
2007-05-25 11:30:00 20 35 30
2007-05-25 11:50:00 30 20
2007-05-25 12:00:00 30 13
2007-05-25 12:10:00 30 13
第一个原始字符串定义了它们上面的列。第一列显然是时间。还可以观察到缺少某些值。我不想删除某些值缺失的行。由于我想稍后对该数据进行一些计算,我想使用numpy来使用numpy.loadtxt
导入该数据:
data = numpy.loadtxt('data.txt')
由于第一个原始版本而导致错误ValueError: could not convert string to float: b'date'
。使用:
data = numpy.genfromtxt('data.txt')
为许多行提供错误Line #51028 (got 38 columns instead of 37)
,这是因为缺少某些值。我该怎么办?
答案 0 :(得分:5)
Pandas是一个基于NumPy的库。在许多其他方面,它可以很好地处理不完整的数据。
你应该可以install pandas使用简单的:
$ pip install pandas
我将您的示例文件保存在http://pastebin.com/NuNaTW9n下,并用标签替换了列之间的空格。
>>> import pandas as pd
>>> from urllib import urlopen
>>> df = pd.read_csv(urlopen("http://pastebin.com/raw.php?i=NuNaTW9n"), sep='\t')
>>> df
date this that other
0 2007-05-25 11:00:00 10 20 30
1 2007-05-25 11:10:00 15 18 30
2 2007-05-25 11:20:00 10 27 30
3 2007-05-25 11:30:00 20 30 NaN
4 2007-05-25 11:50:00 30 20 NaN
5 2007-05-25 12:00:00 30 13 NaN
6 2007-05-25 12:10:00 30 13 NaN
掌握数据框后,您就可以开始探索数据了:
>>> df["this"].sum()
145
>>> df["that"].mean()
20.142857142857142
>>> df[df["that"] < 20]["date"]
1 2007-05-25 11:10:00
5 2007-05-25 12:00:00
6 2007-05-25 12:10:00
默认情况下,pandas会尝试猜测您的值的最佳数据类型(例如,它会猜测df["that"]
应该是int64
),但您可以通过传递{{{}来控制此行为1}} read_csv
的参数。
答案 1 :(得分:3)
要使用genfromtxt
来处理这样的缺失值,您可以将delimiter
参数与字段宽度列表一起使用,因为您的文件具有固定宽度字段:
In [2]: a = np.genfromtxt('test.txt', delimiter=[19,4,5,5], skip_header=1)
在你的例子中。但是,您需要正确设置dtype
或使用转换器功能来处理日期/时间字段。例如:
In [3]: a = np.genfromtxt('test.txt', delimiter=[19,4,5,5], skip_header=1,
dtype=np.dtype([('date', 'datetime64[s]'),
('this', int), ('that', int),
('other', int)])
)
In [4]: a
Out[4]: array([(datetime.datetime(2007, 5, 25, 15, 0), 10, 20, 30),
(datetime.datetime(2007, 5, 25, 15, 10), 15, 18, 30),
(datetime.datetime(2007, 5, 25, 15, 20), 10, 27, 30),
(datetime.datetime(2007, 5, 25, 15, 30), 20, 35, 30),
(datetime.datetime(2007, 5, 25, 15, 50), 30, 20, -1),
(datetime.datetime(2007, 5, 25, 16, 0), 30, 13, -1),
(datetime.datetime(2007, 5, 25, 16, 10), 30, 13, -1)],
dtype=[('date', '<M8[s]'), ('this', '<i8'), ('that', '<i8'), ('other', '<i8')])