Python读取CSV文件的5种实用方法详解

在Python中处理CSV文件的读写操作时，首先需要导入内置的csv模块，随后利用该模块提供的各类接口完成文件数据的读取或写入。

示例数据集stocks.csv：

该股票数据集属于典型的表格型数据，包含股票代码、价格、日期、时间、价格变动幅度以及成交量等字段。此类数据具有明确的表头（头部）和表体（身体）结构。

第一招：基础读取方式

首先介绍一种最基础的读取方法。通过调用csv.reader()函数并传入文件句柄f，可以生成一个csv.reader对象。该对象本质上是一个迭代器，接下来我们将查看其源码实现。

当向reader传入一个可迭代对象或文件对象时，它会返回一个新的可迭代对象供后续使用。

• 具体步骤为：首先打开CSV文件，接着使用csv.reader生成一个名为f_csv的迭代器对象。
• 利用迭代器的next()方法，可以获取CSV文件的表头信息，即表格数据的头部字段。
• 随后，通过for循环遍历迭代器，逐行打印row的内容，从而获取表格数据的主体部分。

第二招：使用namedtuple结构化数据

上述第一种方法虽然简单，但接下来我们尝试使用namedtuple对生成的row数据进行封装，以提升数据访问的便捷性。

• namedtuple是collections模块中一个极具实用价值的类，该模块堪称Python标准库中的百宝箱，提供了众多高效的数据结构工具。
• 在此场景中，我们调用next(f_csv)获取表格头部字段，以此初始化Row类。
• 接着通过循环构建Row实例，将表格中每一行的数据转换为格式化的row_info对象。
• 这样做的主要优势在于，可以像访问类属性一样自由访问row_info中的数据，例如通过row_info.price直接获取价格字段。

第三招：利用tuple进行类型转换

如果对CSV数据中每一行的数据类型有明确预期，可以使用预设的类型转换头对数据进行清洗和转换。

操作步骤与前述类似，但重点在于对数据结果的清洗处理。这里巧妙利用zip函数构建嵌套数据列表，并通过convert(data)函数对CSV文件中每一行的数据进行类型转换，这种方法非常高效。 查看运行结果：

第四招：使用DictReader

前文提到的namedtuple本质上是一种数据映射，那么是否存在直接通过映射方式读取CSV内容并生成字典的方法？答案是肯定的，代码如下：

代码非常简洁。csv模块内置了DictReader()类，它按照字典格式进行读取，并生成一个有序字典。查看运行结果：

有兴趣的读者可以查阅DictReader()的源码，它实际上是一个内部构造的迭代器类。其内部的__next__方法正是通过OrderedDict(zip(self.fieldnames, row))来生成数据的。

第五招：通过字典转换清洗数据

如果需要对CSV数据进行清洗，由于默认读取的内容均为字符串类型，我们需要将其更新为特定的数据类型。此时，可以使用字典转换这一技巧，源码如下：

假设原始数据中的Price（价格）和成交量字段，最终希望分别转换为浮点型和整型数据。可以通过字典巧妙更新key来实现这一目标。

• 首先，声明一个自定义的类型转换器field_types字典。
• 然后，通过循环生成一个可迭代对象，内容为(key, conversion(row[key]))。
• 最后，更新字典中相同的key。例如，row['price']的内容会被根据转换规则更新为相应的数据类型。

参考链接：

Python读取CSV文件的5种方式https://mp.weixin.qq.com/s/cs4buSULva1FgCctp_fB6g

至此，关于Python读取CSV文件的5种方式介绍完毕。如需了解更多Python读取CSV文件的相关内容，请搜索本站往期文章或继续浏览后续文章，感谢大家的支持！