Question

我有一个相当大的csv，看起来像这样：

+---------+---------+
| Column1 | Column2 |
+---------+---------+
|       1 |   93644 |
|       2 |   63246 |
|       3 |   47790 |
|       3 |   39644 |
|       3 |   32585 |
|       1 |   19593 |
|       1 |   12707 |
|       2 |   53480 |
+---------+---------+

我的意图是

添加新列
在csv的每一行
根据Column1
根据＆＃39; Column1＆＃39;的内容将原始CSV拆分为新文件，删除标题

例如，我希望最终得到多个文件，如下所示：

+---+-------+----------------+
| 1 | 19593 | NewColumnValue |
| 1 | 93644 | NewColumnValue |
| 1 | 12707 | NewColumnValue |
+---+-------+----------------+

+---+-------+-----------------+
| 2 | 63246 | NewColumnValue |
| 2 | 53480 | NewColumnValue |
+---+-------+-----------------+

+---+-------+-----------------+
| 3 | 47790 | NewColumnValue |
| 3 | 39644 | NewColumnValue |
| 3 | 32585 | NewColumnValue |
+---+-------+-----------------+

我已设法使用单独的.py文件执行此操作：

步骤1

# -*- coding: utf-8 -*-
import pandas as pd
df = pd.read_csv('source.csv')
df = df.sort_values('Column1')
df['NewColumn'] = 'NewColumnValue'
df.to_csv('ready.csv', index=False, header=False)

第二步

import csv
from itertools import groupby
for key, rows in groupby(csv.reader(open("ready.csv")),
                         lambda row: row[0]):
    with open("%s.csv" % key, "w") as output:
        for row in rows:
            output.write(",".join(row) + "\n")

但我真的很想学习如何在单个.py文件中完成所有内容。我试过这个：

# -*- coding: utf-8 -*-
#This processes a large CSV file.  
#It will dd a new column, populate the new column with a uniform piece of data for each row, sort the CSV, and remove headers
#Then it will split the single large CSV into multiple CSVs based on the value in column 0 
import pandas as pd
import csv
from itertools import groupby
df = pd.read_csv('source.csv')
df = df.sort_values('Column1')
df['NewColumn'] = 'NewColumnValue'
for key, rows in groupby(csv.reader((df)),
                         lambda row: row[0]):
    with open("%s.csv" % key, "w") as output:
        for row in rows:
            output.write(",".join(row) + "\n")

但它不是按预期工作，而是为每个列标题指定了多个CSV。

是否发生了这种情况，因为我在使用单独的.py文件时删除了标题行，而我在这里没有这样做？我不确定在拆分文件以删除标题时我需要做什么操作。

Answer 1

为什么不将groupby Column1分组并保存每个组？

df = df.sort_values('Column1').assign(NewColumn='NewColumnValue')
print(df)

   Column1  Column2       NewColumn
0        1    93644  NewColumnValue
5        1    19593  NewColumnValue
6        1    12707  NewColumnValue
1        2    63246  NewColumnValue
7        2    53480  NewColumnValue
2        3    47790  NewColumnValue
3        3    39644  NewColumnValue
4        3    32585  NewColumnValue

for i, g in df.groupby('Column1'):
    g.to_csv('{}.csv'.format(i), header=False, index_label=False)

感谢Unatiel improvement。 header=False不会写标题，index_label=False也不会写索引列。

这会创建3个文件：

1.csv
2.csv
3.csv

每个人都拥有与每个Column1组相对应的数据。

Answer 2

您不需要切换到itertools进行过滤，pandas具有内置的所有必要功能。

# -*- coding: utf-8 -*-
import pandas as pd
df = pd.read_csv('source.csv')
df = df.sort_values('Column1')  # Sorting isn't needed
df['NewColumn'] = 'NewColumnValue'
for key in df['Column1'].unique():  # For each value in Column1
    # These two steps can be combined into a single call
    # I'll separate for clarity:  
    # 1) filter the dataframe on the unique value
    dw = df[df['Column1']==key]   
    # 2) write the resulting dataframe without headers
    dw.to_csv("%s.csv" % key, header=False)

Answer 3

pandas.DataFrame支持将其数据写为csv to_csv()的方法。在这种情况下，您不需要csv模块。

import pandas as pd

df = pd.read_csv('source.csv')
df = df.sort_values('Column1').set_index('Column1')
df['NewColumn'] = 'NewColumnValue'
for key in df.index.unique():
    df.loc[key].to_csv('%d.csv' % int(key), header=False)

for key df.index.unique():将遍历索引中的每个唯一值。在您的示例中，它将循环遍历(1, 2 , 3)。 header=False将确保标题未写入输出文件。

要解释为什么在示例中出现错误输出，请尝试print(list(df))。这应输出df中的所有列。这就是for key, rows in csv.reader((df)):遍历df中的列的原因。

实际上，您应该为数据框中的每一列获得1 csv，其内容可能类似于,[NAME_OF_COLUMN]或,<itertools.... object at 0x.....>。

将数据帧拆分为单独的CSV文件

3 个答案: