Question

我正在以块的形式读取一个巨大的固定宽度文本文件并将数据导出为 CSV。因为 pandas.read_fwf 不允许指定dtypes，所以我是想知道还有什么方法可以强制列成为字符串。该原因是大熊猫将某些列推断为浮点数，即使它们不是和我不希望列中有.0。

使用data[column] = data[column].astype(str)没有帮助，因为它无法获得除去小数。 将float64 dtype的列转换为int不起作用要么，因为无法转换NA。有什么想法吗？

这是我的代码片段：

dat = pd.read_fwf(file_to_read,colspecs=cols,header=None,chunksize=100000,names=header)
#First chunk
data.info()
Int64Index: 100000 entries, 0 to 99999
Columns: 562 entries,
dtypes: float64(405), int64(4), object(153)
memory usage: 429.5+ MB

for column in data.columns:
    if data[column].dtype == 'float64':
        data[column] = data[column].astype(int)
    else:
        pass

我可以做str().replace('.0','')，但我希望找到比这更简单的方法在列中进行迭代需要花费很多时间。

Answer 1

converter参数可用于将数据保存为字符串，因为如果指定了转换器，pd.read_fwf不会尝试猜测dtype：

import pandas as pd
try:
    # for Python2
    from cStringIO import StringIO 
except ImportError:
    # for Python3
    from io import StringIO

content = '''\
1.0    2    A
3.0    4    B
5      X    C
M      Y    D
'''
header = ['foo', 'bar', 'baz']

for df in pd.read_fwf(StringIO(content), header=None, chunksize=2, names=header,
                      converters={h:str for h in header}):
    print(df)
df.info()

产量

   foo bar baz
0  1.0   2   A
1  3.0   4   B

  foo bar baz
0   5   X   C
1   M   Y   D

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 2 entries, 0 to 1
Data columns (total 3 columns):
foo    2 non-null object
bar    2 non-null object
baz    2 non-null object
dtypes: object(3)
memory usage: 120.0+ bytes

Pandas read_fwf：指定dtype

1 个答案: