
本教程详细介绍了如何使用python的`csv`模块对csv文件进行数据清洗和格式转换。内容涵盖了如何删除特定行、替换数据字段内的字符、更改文件分隔符以及实现utf-16到utf-8的编码转换。通过逐行处理数据,本教程提供了一个高效且内存友好的解决方案,并纠正了常见的编程错误,旨在帮助用户构建健壮的csv处理脚本。
在数据处理工作中,CSV(逗号分隔值)文件因其简洁性而广泛应用。然而,由于数据来源的多样性,我们经常需要对CSV文件进行清洗、格式化和编码转换。这可能包括删除不必要的行、统一分隔符、替换特定字符,以及处理不同的文件编码。本教程将通过一个具体的案例,详细讲解如何利用Python的csv模块高效地完成这些任务。
假设我们有一个名为input.csv的CSV文件,需要对其进行以下转换以生成一个新的output.csv文件:
Python内置的csv模块是处理CSV文件的强大工具。它能够妥善处理各种分隔符、引号规则和换行符,避免了手动解析文本可能遇到的复杂问题。
我们将构建一个Python脚本,以流式处理的方式(即逐行读取和写入)来完成上述所有需求,从而避免将整个文件加载到内存中,这对于处理大型文件尤其重要。
立即学习“Python免费学习笔记(深入)”;
首先,我们需要同时打开输入文件和输出文件。输入文件使用其原始编码(UTF-16),而输出文件则指定为目标编码(UTF-8)。使用单个with语句管理多个文件句柄是最佳实践,确保文件在处理完成后被正确关闭。
import csv
input_file_path = 'input.csv'
output_file_path = 'output.csv'
new_header = ['column1', 'column2', 'column3', 'column4', 'column5', 'column6', 'column7', 'column8']
with open(input_file_path, 'r', encoding="utf-16") as read_file, \
open(output_file_path, 'w', newline='', encoding="utf-8") as write_file:
reader = csv.reader(read_file, delimiter=",")
writer = csv.writer(write_file, delimiter=";")
# 写入新文件头
writer.writerow(new_header)
# 后续处理逻辑将在此处添加原始文件可能包含空行、只有连字符的行或其他无效数据。一种简单而有效的方法是检查行的字段数量。如果一行没有逗号分隔符,csv.reader通常会将其解析为一个只包含一个元素的列表(即原始行内容作为一个字段)。我们可以利用这个特性来过滤掉这些不含有效数据的行。
# ... (前面的文件打开和writer.writerow代码)
for row in reader:
# 过滤掉只有单个字段的行,这些行通常是空行或不含分隔符的无效行
if len(row) == 1 and not row[0].strip(): # 进一步检查是否为空字符串
continue
# 也可以根据更具体的模式过滤,例如只包含连字符的行
# if len(row) == 1 and all(c == '-' for c in row[0].strip()):
# continue
# 假设前10行是无效的,也可以使用enumerate硬编码跳过
# if reader.line_num <= 10: # line_num从1开始计数
# continue
# 后续的数据处理和写入逻辑将在此处添加在处理每一行数据时,我们需要遍历该行的每个字段,并将字段内的连字符(-)替换为分号(;)。这可以通过列表推导式高效完成。完成替换后,将新行写入输出文件。
# ... (前面的文件打开、writer.writerow和过滤逻辑)
for row in reader:
# 过滤逻辑 (同上)
if len(row) == 1 and not row[0].strip():
continue
# 替换数据字段中的连字符
new_row = [field.replace('-', ';') for field in row]
# 将处理后的行写入输出文件
writer.writerow(new_row)将以上所有步骤整合,形成一个完整的Python脚本:
import csv
def process_csv_file(input_path, output_path, new_header_columns):
"""
处理CSV文件,执行以下操作:
1. 删除前导无效行(基于字段数量判断)。
2. 添加新的文件头。
3. 更改分隔符从逗号(,)到分号(;)。
4. 替换数据字段中所有的连字符(-)为分号(;)。
5. 转换文件编码从UTF-16到UTF-8。
Args:
input_path (str): 输入CSV文件的路径。
output_path (str): 输出CSV文件的路径。
new_header_columns (list): 包含新文件头列名的列表。
"""
try:
with open(input_path, 'r', encoding="utf-16") as read_file, \
open(output_path, 'w', newline='', encoding="utf-8") as write_file:
reader = csv.reader(read_file, delimiter=",")
writer = csv.writer(write_file, delimiter=";")
# 1. 写入新文件头
writer.writerow(new_header_columns)
# 2. 逐行读取、过滤、处理和写入
for row in reader:
# 过滤逻辑:跳过空行或只有单个字段(且内容为空或全为连字符)的行
# 这种过滤方式假设有效数据行至少包含两个字段
# 或者包含非空白的单个字段
if len(row) == 0: # 真正的空行,csv.reader可能解析为[]
continue
if len(row) == 1 and not row[0].strip(): # 只有一个字段且内容为空白
continue
if len(row) == 1 and all(c == '-' for c in row[0].strip()): # 只有一个字段且全为连字符
continue
# 3. 替换数据字段中的连字符
processed_row = [field.replace('-', ';') for field in row]
# 4. 写入处理后的行
writer.writerow(processed_row)
print(f"CSV文件处理完成:'{input_path}' 已转换为 '{output_path}'")
except FileNotFoundError:
print(f"错误:文件 '{input_path}' 未找到。")
except Exception as e:
print(f"处理文件时发生错误:{e}")
# 示例用法
input_csv_file = 'input.csv'
output_csv_file = 'output.csv'
custom_header = ['cars', 'Date', 'Daypart', 'Avg_000', 'Share'] # 根据实际数据调整列名
# 运行处理函数
process_csv_file(input_csv_file, output_csv_file, custom_header)
input.csv 示例内容 (用于测试上述代码):
empty line empty line empty line empty line empty line ------------------------------------ empty line empty line empty line cars,Date,Daypart,'000 (avg),Share (excluded: Other)) car1,2022-01-01,02:00-02:00,24.459,4.3 car1,2022-01-01,02:01-02:01,20.967,3.7 car1,2022-01-01,02:02-02:02,20.967,3.8 car1,2022-01-01,02:03-02:03,13.029,2.3 car1,2022-01-01,02:04-02:04,13.029,2.3 car1,2022-01-01,02:05-02:05,10.621,1.9 car1,2022-01-01,02:06-02:06,10.621,2.0 car1,2022-01-01,02:07-02:07,10.621,2.0 car1,2022-01-01,02:08-02:08,10.621,2.0
请注意,input.csv文件需要以UTF-16编码保存。
错误处理:
内存效率: 本教程采用逐行处理的方式,即每次只读取一行、处理一行、写入一行。这种方法避免了将整个文件内容一次性加载到内存中,对于处理大型CSV文件至关重要,可以有效防止内存溢出。
灵活性: 过滤无效行的方法可以根据实际情况进行调整。除了检查len(row),还可以:
try:
_ = float(row[-1]) # 尝试将最后一列转换为浮点数
except ValueError:
continue # 如果转换失败,则跳过此行编码: 务必确保在打开文件时指定正确的encoding参数。如果原始文件编码不确定,可以尝试常见的编码(如utf-8、latin-1、gbk等),或使用chardet等库进行自动检测。
通过本教程,我们学习了如何使用Python的csv模块高效、健壮地处理CSV文件。我们掌握了删除无效行、添加新文件头、更改分隔符、替换字段内字符以及转换文件编码的技巧。通过流式处理和正确的错误处理实践,我们可以构建出可靠且高性能的数据预处理脚本,以应对各种复杂的CSV数据处理需求。
以上就是CSV文件数据清洗与格式转换教程:Python实现行删除、分隔符及编码转换的详细内容,更多请关注php中文网其它相关文章!
每个人都需要一台速度更快、更稳定的 PC。随着时间的推移,垃圾文件、旧注册表数据和不必要的后台进程会占用资源并降低性能。幸运的是,许多工具可以让 Windows 保持平稳运行。
Copyright 2014-2025 https://www.php.cn/ All Rights Reserved | php.cn | 湘ICP备2023035733号