Question

我正在将数据从Boston Housing Data导入到熊猫数据框中。每行的最后3个项目被分隔到下一行。有没有一种方法可以使用pd.read_csv导入数据以包括这些项目？这是我的代码：

import pandas as pd
path = '/Users/Main/Desktop/boston.txt'
df = pd.read_csv(path, skiprows=21, sep='\s+', header=None)

这为我提供了一个包含11列的数据框，但是我需要14列。另外，是否有更好的方法跳过文件顶部的所有文本而无需手动计算每一行？

Answer 1

首先，您可以仅使用scikit-learn的波士顿住房数据集。 http://scikit-learn.org/stable/modules/generated/sklearn.datasets.load_boston.html。如果您仍然想使用文本文件，那么不幸的是，我认为您必须对文本文件进行一些处理以删除换行符。我试图举一个例子说明所需的处理方式。

# read the file, and separate the lines.
with open('boston.txt', 'r') as f:
    text = [line for line in f.readlines()]

# starting from first row of data, remove \n from even numbered rows,
# and append the next row to it.
start_row = 22
new_rows = []
for i,l in enumerate(text[start_row:]):
    if not i%2:
        newl = l.strip('\n')+text[start_row+i+1]
        new_rows.append(newl)

new_data = ''.join(new_rows)

# finally save the data.
with open('boston_new.txt', 'w') as f:
    f.write(new_data)

现在，您可以轻松读取数据。 delim_whitespace与使用sep ='\ s +'类似。

col_names = ['CRIM', 'ZN', 'INDUS', 'CHAS','NOX', 'RM', 'AGE', 'DIS', 'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT', 'MEDV']
pd.read_csv('boston_new.txt', delim_whitespace=True, header=None, names=col_names)

执行一次此操作后，应将数据保存为熊猫可读取的适当.csv格式，而无需提供太多参数。

pd.to_csv('boston_final.csv')

Answer 2

我最终尝试了相同的想法，将每个溢出行附加到它之前的行。

boston = pd.read_csv("FILE_LOCATION", sep='\s+', header = None)

oklist = []

for row in range(1012):

    if row % 2 == 0:
        rowa = boston.iloc[row,]
        row = row + 1
        rowb = boston.iloc[row,]

        new_row = rowa.append(rowb)
        clean_list = new_row.iloc[0:14].tolist()
        oklist.append(clean_list)

pd.DataFrame(oklist)

使用熊猫从.txt文件导入数据，并在各列之间使用换行符

2 个答案: