使用import csv填写缺少的字段

时间:2016-08-05 04:36:12

标签: python

我的数据集如下所示:

W000000457,,
,9/18/2016 11:28,37
,4/21/2016 0:07,54
,11/5/2016 12:05,42
,7/14/2016 15:43,54
W000000457 - Count,,100
2069320,,
,12/10/2016 0:22,12
,9/25/2016 14:07,28
,1/24/2016 6:54,59
2069320 - Count,,100
111,,
,1/16/2016 10:25,58
,6/11/2016 4:17,43
,4/21/2016 7:56,47
,3/17/2016 3:48,20
111 - Count,,100

列是ID,日期,值。我做了两次主要的清洁/按摩数据。

1)使用第1行中的ID,我填充以下行 2)删除所有行" Count"在行[0]

我的目标是得到这样的东西:

W000000457,9/18/2016 11:28,37
W000000457,4/21/2016 0:07,54
W000000457,11/5/2016 12:05,42
W000000457,7/14/2016 15:43,54
2069320,12/10/2016 0:22,12
2069320,9/25/2016 14:07,28
2069320,1/24/2016 6:54,59
111,1/16/2016 10:25,58
111,6/11/2016 4:17,43
111,4/21/2016 7:56,47
111,3/17/2016 3:48,20

这是我到目前为止的代码:

import csv
    with open('data.txt','rb') as f_in:
        reader = csv.reader(f_in)
        row = next(reader)
        last_row = row
        for row in reader:
            row = [x if x else y for x, y in zip(row, last_row)]
            if 'COUNT' not in row[0].upper():
                print row
            last_row = row

这让我接近但问题是处理不同ID的例子中的记录:

W000000457,,
,1/24/2016 6:54,59
2069320 - Count,,100
111,,
,1/16/2016 10:25,58

将成为(使用我的代码):

W000000457,1/24/2016 6:54,59
111,1/24/2016 6:54,100
111,1/16/2016 10:25,58

ID 111的第一个实例不是从先前现有值携带的实际值。

或者在上面的例子中我得到:

W000000457,9/18/2016 11:28,37
W000000457,4/21/2016 0:07,54
W000000457,11/5/2016 12:05,42
W000000457,7/14/2016 15:43,54
**2069320,7/14/2016 15:43,100**
2069320,12/10/2016 0:22,12
2069320,9/25/2016 14:07,28
2069320,1/24/2016 6:54,59
**111,1/24/2016 6:54,100**
111,1/16/2016 10:25,58
111,6/11/2016 4:17,43
111,4/21/2016 7:56,47
111,3/17/2016 3:48,20
**中的

字段是假值

关于我应该如何处理的任何想法?

我正在考虑删除每个ID的第一个实例,或者寻找一种方法来替换我的csvreader的[0]而不是每个字段。

1 个答案:

答案 0 :(得分:1)

使用csv类型数据时,请使用pandas

阅读数据:

import pandas as pd
from io import StringIO

df = pd.read_csv(StringIO('''W000000457,,
,9/18/2016 11:28,37
,4/21/2016 0:07,54
,11/5/2016 12:05,42
,7/14/2016 15:43,54
W000000457 - Count,,100
2069320,,
,12/10/2016 0:22,12
,9/25/2016 14:07,28
,1/24/2016 6:54,59
2069320 - Count,,100
111,,
,1/16/2016 10:25,58
,6/11/2016 4:17,43
,4/21/2016 7:56,47
,3/17/2016 3:48,20
111 - Count,,100'''), names=['col1', 'col2', 'col3'])

在第一列中转发填充NaN项目:

df['col1'] = df['col1'].fillna(method='ffill')

过滤掉第一列包含' Count'

的项目
df = df[~df['col1'].str.contains('Count')]

删除仍有NaN的行:

df = df.dropna()

最终结果:

          col1             col2  col3
1   W000000457  9/18/2016 11:28  37.0
2   W000000457   4/21/2016 0:07  54.0
3   W000000457  11/5/2016 12:05  42.0
4   W000000457  7/14/2016 15:43  54.0
7      2069320  12/10/2016 0:22  12.0
8      2069320  9/25/2016 14:07  28.0
9      2069320   1/24/2016 6:54  59.0
12         111  1/16/2016 10:25  58.0
13         111   6/11/2016 4:17  43.0
14         111   4/21/2016 7:56  47.0
15         111   3/17/2016 3:48  20.0