Odczytaj spakowany plik jako pandas DataFrame

108

Próbuję rozpakować plik csv i przekazać go do pand, aby móc pracować nad plikiem.
Kod, który do tej pory wypróbowałem, to:

import requests, zipfile, StringIO
r = requests.get('http://data.octo.dc.gov/feeds/crime_incidents/archive/crime_incidents_2013_CSV.zip')
z = zipfile.ZipFile(StringIO.StringIO(r.content))
crime2013 = pandas.read_csv(z.read('crime_incidents_2013_CSV.csv'))

Po ostatnim wierszu, mimo że Python jest w stanie pobrać plik, na końcu błędu pojawia się komunikat „nie istnieje”.

Czy ktoś może mi powiedzieć, co robię nieprawidłowo?

user2793667
źródło

Odpowiedzi:

159

Jeśli chcesz wczytać spakowany plik lub plik tar.gz do pandy dataframe, read_csvmetody obejmują tę konkretną implementację.

df = pd.read_csv('filename.zip')

Lub długa forma:

df = pd.read_csv('filename.zip', compression='zip', header=0, sep=',', quotechar='"')

Opis argumentu kompresji z dokumentacji :

kompresja : {'infer', 'gzip', 'bz2', 'zip', 'xz', None}, default 'infer' Do dekompresji w locie danych na dysku. Jeśli „infer” i ścieżka_pliku_lub_buffer są podobne do ścieżki, wykryj kompresję z następujących rozszerzeń: „.gz”, „.bz2”, „.zip” lub „.xz” (w przeciwnym razie bez dekompresji). Jeśli używasz „zip”, plik ZIP musi zawierać tylko jeden plik danych do wczytania. Ustaw na Brak, aby nie było dekompresji.

Nowość w wersji 0.18.1: obsługa kompresji „zip” i „xz”.

Suchit
źródło
6
Nie ma obsługi spakowanych plików, tylko gzip i bz2. To irytujące, ponieważ zamek błyskawiczny jest dość powszechny. Wyobrażam sobie, że dzieje się tak, ponieważ zip nie jest open source?
TC Proctor
24
zip jest teraz obsługiwany w pandach 0.18.1
nishant
1
To rozwiązanie działa dla plików spakowanych gzip, ale nie dla plików .tar.gz (Pandas 0.19.2) Tar.gz nie jest obsługiwany przez Pandy! Zobacz: github.com/pandas-dev/pandas/issues/...
Tector
Czy mógłbyś nam powiedzieć, czy jest jakiś szczególny powód, dla którego warto skorzystać quotechar?
Herpes Free Engineer
Ta odpowiedź pokazuje .tar.gzplik, ale prawdopodobnie działa tylko z .gzplikiem.
William Entriken
41

Myślę, że chcesz openZipFile, który zwraca obiekt podobny do pliku, a nie read:

In [11]: crime2013 = pd.read_csv(z.open('crime_incidents_2013_CSV.csv'))

In [12]: crime2013
Out[12]:
<class 'pandas.core.frame.DataFrame'>
Int64Index: 24567 entries, 0 to 24566
Data columns (total 15 columns):
CCN                            24567  non-null values
REPORTDATETIME                 24567  non-null values
SHIFT                          24567  non-null values
OFFENSE                        24567  non-null values
METHOD                         24567  non-null values
LASTMODIFIEDDATE               24567  non-null values
BLOCKSITEADDRESS               24567  non-null values
BLOCKXCOORD                    24567  non-null values
BLOCKYCOORD                    24567  non-null values
WARD                           24563  non-null values
ANC                            24567  non-null values
DISTRICT                       24567  non-null values
PSA                            24567  non-null values
NEIGHBORHOODCLUSTER            24263  non-null values
BUSINESSIMPROVEMENTDISTRICT    3613  non-null values
dtypes: float64(4), int64(1), object(10)
Andy Hayden
źródło
3
Uwaga: możesz przeanalizować kolumny z datami podczas czytania:pd.read_csv(z.open('crime_incidents_2013_CSV.csv'), parse_dates=['REPORTDATETIME', 'LASTMODIFIEDDATE'])
Andy Hayden
Aby przeczytać pierwszy plik:pd.read_csv(z.open(z.infolist()[0].filename))
user3226167
15

Wygląda na to, że nie musisz już nawet określać kompresji. Poniższy fragment kodu ładuje dane z filename.zip do df.

import pandas as pd
df = pd.read_csv('filename.zip')

(Oczywiście będziesz musiał określić separator, nagłówek itp., Jeśli różnią się one od wartości domyślnych).

TDS
źródło
To powinna być najlepsza odpowiedź, inne są nieaktualne.
rjurney
12

W przypadku plików „ zip ” możesz użyć, import zipfilea Twój kod będzie działał po prostu z następującymi wierszami:

import zipfile
import pandas as pd
with zipfile.ZipFile("Crime_Incidents_in_2013.zip") as z:
   with z.open("Crime_Incidents_in_2013.csv") as f:
      train = pd.read_csv(f, header=0, delimiter="\t")
      print(train.head())    # print the first 5 rows

Rezultatem będzie:

X,Y,CCN,REPORT_DAT,SHIFT,METHOD,OFFENSE,BLOCK,XBLOCK,YBLOCK,WARD,ANC,DISTRICT,PSA,NEIGHBORHOOD_CLUSTER,BLOCK_GROUP,CENSUS_TRACT,VOTING_PRECINCT,XCOORD,YCOORD,LATITUDE,LONGITUDE,BID,START_DATE,END_DATE,OBJECTID
0  -77.054968548763071,38.899775938598317,0925135...                                                                                                                                                               
1  -76.967309569035052,38.872119553647011,1003352...                                                                                                                                                               
2  -76.996184958456539,38.927921847721443,1101010...                                                                                                                                                               
3  -76.943077541353617,38.883686046653935,1104551...                                                                                                                                                               
4  -76.939209158039446,38.892278093281632,1125028...
imanzabet
źródło
0

https://www.kaggle.com/jboysen/quick-gz-pandas-tutorial

Proszę skorzystać z tego linku.

import pandas as pd
traffic_station_df = pd.read_csv('C:\\Folders\\Jupiter_Feed.txt.gz', compression='gzip',
                                 header=1, sep='\t', quotechar='"')

#traffic_station_df['Address'] = 'address'

#traffic_station_df.append(traffic_station_df)
print(traffic_station_df)
Suryakanta Karan
źródło
Witamy w Stack Overflow! Chociaż ten kod może odpowiedzieć na pytanie, dostarczenie dodatkowego kontekstu w postaci komentarzy do kodu lub osobnego akapitu dotyczącego tego, jak i / lub dlaczego rozwiązuje problem, poprawiłoby długoterminową wartość odpowiedzi.
Sardar Usama