将数据框拆分为单独的 CSV 文件

Question

我有一个相当大的 csv，如下所示：

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

我的目的是

1. 添加新列
2. 在 csv 每一行的该列“NewColumnValue”中插入一个特定值
3. 根据 Column1 中的值对文件进行排序
4. 根据 'Column1' 的内容将原始 CSV 拆分为新文件，删除标题

例如，我希望得到多个文件，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 |
+---+-------+-----------------+

我已经设法使用单独的 .py 文件来做到这一点：

第一步

# -*- 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一个 .py 文件中完成所有工作。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")

但它没有按预期工作，而是为我提供了多个以每个列标题命名的 CSV。

发生这种情况是因为我在使用单独的 .py 文件时删除了标题行，而我没有在这里做吗？我不确定在拆分文件以删除标题时需要执行什么操作。

Answer 1

您无需切换到itertools 进行过滤，pandas 已内置所有必要的功能。

# -*- 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 2

pandas.DataFrame 支持将其数据写入 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，它将遍历(1, 2 , 3)。 header=False 将确保不将标头写入输出文件。

要解释为什么您在示例中得到错误输出，请尝试print(list(df))。这应该输出 df 中的所有列。这就是for key, rows in csv.reader((df)): 迭代 df 中的列的原因。

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

Answer 3

为什么不只是 groupby Column1 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 提供improvement。 header=False 不会写标题，index_label=False 不会写索引列。

这会创建 3 个文件：

1.csv
2.csv
3.csv

每个都有对应于每个Column1组的数据。