Python操作CSV文件的小结

简介: Python操作CSV文件的小结

Python操作CSV文件的小结

Python 提供了多种方式来操作 CSV 文件,下面都是常用的方法:

1. 使用 csv 模块
Python 的 csv 模块提供了读取和写入 CSV 文件的功能。例如:

import csv
 # 读取 CSV 文件
with open('example.csv', 'r') as csvfile:
    reader = csv.reader(csvfile)
    for row in reader:
        print(row)

 # 写入 CSV 文件
with open('example.csv', 'w') as csvfile:
    writer = csv.writer(csvfile)
    writer.writerow(['column1', 'column2', 'column3'])

2.使用 pandas 库
pandas 库是 Python 的一个非常流行的数据分析库,提供了读取和写入 CSV 文件的功能。例如:

import pandas as pd

# 读取 CSV 文件
df = pd.read_csv('example.csv')

# 写入 CSV 文件
df.to_csv('example.csv', index=False)

3.使用 numpy 库
numpy 库是 Python 的一个流行的数值计算库,提供了读取和写入 CSV 文件的功能。例如:

import numpy as np

 # 读取 CSV 文件
data = np.loadtxt('example.csv', delimiter=',')

 # 写入 CSV 文件
np.savetxt('example.csv', data, fmt='%f', delimiter=',')

4.使用 openpyxl 库
openpyxl 库是 Python 的一个 Excel 文件操作库,可以读取和写入 CSV 文件。例如:

from openpyxl import load_workbook

 # 读取 CSV 文件
wb = load_workbook(filename='example.csv')
ws = wb.active
print(ws.values)

 # 写入 CSV 文件
wb = load_workbook()
ws = wb.active
ws.append(['column1', 'column2', 'column3'])

5.使用 sqlite3 库
sqlite3 库是 Python 的一个数据库操作库,可以读取和写入 CSV 文件。例如:

import sqlite3

 # 读取 CSV 文件
conn = sqlite3.connect('example.db')
c = conn.cursor()
c.execute("SELECT * FROM example")
rows = c.fetchall()
print(rows)

 # 写入 CSV 文件
conn = sqlite3.connect('example.db')
c = conn.cursor()
c.execute("INSERT INTO example VALUES ('column1', 'column2', 'column3')")

6.使用 xlrd 和 xlwt 库

import xlrd
import xlwt

 # 读取 CSV 文件
workbook  = xlrd.open_workbook('example.csv')
sheet  = workbook.sheet_by_index(0)
for row in sheet.rows:
    print(row)

 # 写入 CSV 文件
workbook  = xlwt.Workbook()
sheet  = workbook.add_sheet('Sheet1')
sheet.write(0, 0, 'column1')
sheet.write(0, 1, 'column2')
sheet.write(0, 2, 'column3')
workbook.save('example.csv')

7.使用 pandas 库的 read_csv() 和 to_csv() 函数

import pandas as pd

 # 读取 CSV 文件
df  = pd.read_csv('example.csv')

 # 写入 CSV 文件
df.to_csv('example.csv', index=False)

8.使用 csvkit 库

import csvkit

 # 读取 CSV 文件
with open('example.csv', 'r') as f:
    reader  = csvkit.CSVReader(f)
    for row in reader:
        print(row)

 # 写入 CSV 文件
with open('example.csv', 'w') as f:
    writer  = csvkit.CSVWriter(f)
    writer.writerow(['column1', 'column2', 'column3'])

9.使用 pyexcel 库

import pyexcel

 # 读取 CSV 文件
data  = pyexcel.get_records('example.csv')

 # 写入 CSV 文件
pyexcel.Saver('example.csv').save([['column1', 'column2', 'column3']])

这些方法都可以用来操作 CSV 文件,但是实际上,使用 csv 模块或 pandas 库是最常见的选择。

相关文章
|
10天前
|
弹性计算 人工智能 架构师
阿里云携手Altair共拓云上工业仿真新机遇
2024年9月12日,「2024 Altair 技术大会杭州站」成功召开,阿里云弹性计算产品运营与生态负责人何川,与Altair中国技术总监赵阳在会上联合发布了最新的“云上CAE一体机”。
阿里云携手Altair共拓云上工业仿真新机遇
|
6天前
|
机器学习/深度学习 算法 大数据
【BetterBench博士】2024 “华为杯”第二十一届中国研究生数学建模竞赛 选题分析
2024“华为杯”数学建模竞赛,对ABCDEF每个题进行详细的分析,涵盖风电场功率优化、WLAN网络吞吐量、磁性元件损耗建模、地理环境问题、高速公路应急车道启用和X射线脉冲星建模等多领域问题,解析了问题类型、专业和技能的需要。
2506 14
【BetterBench博士】2024 “华为杯”第二十一届中国研究生数学建模竞赛 选题分析
|
6天前
|
机器学习/深度学习 算法 数据可视化
【BetterBench博士】2024年中国研究生数学建模竞赛 C题:数据驱动下磁性元件的磁芯损耗建模 问题分析、数学模型、python 代码
2024年中国研究生数学建模竞赛C题聚焦磁性元件磁芯损耗建模。题目背景介绍了电能变换技术的发展与应用,强调磁性元件在功率变换器中的重要性。磁芯损耗受多种因素影响,现有模型难以精确预测。题目要求通过数据分析建立高精度磁芯损耗模型。具体任务包括励磁波形分类、修正斯坦麦茨方程、分析影响因素、构建预测模型及优化设计条件。涉及数据预处理、特征提取、机器学习及优化算法等技术。适合电气、材料、计算机等多个专业学生参与。
1519 14
【BetterBench博士】2024年中国研究生数学建模竞赛 C题:数据驱动下磁性元件的磁芯损耗建模 问题分析、数学模型、python 代码
|
8天前
|
编解码 JSON 自然语言处理
通义千问重磅开源Qwen2.5,性能超越Llama
击败Meta,阿里Qwen2.5再登全球开源大模型王座
530 13
|
1月前
|
运维 Cloud Native Devops
一线实战:运维人少,我们从 0 到 1 实践 DevOps 和云原生
上海经证科技有限公司为有效推进软件项目管理和开发工作,选择了阿里云云效作为 DevOps 解决方案。通过云效,实现了从 0 开始,到现在近百个微服务、数百条流水线与应用交付的全面覆盖,有效支撑了敏捷开发流程。
19282 30
|
1月前
|
人工智能 自然语言处理 搜索推荐
阿里云Elasticsearch AI搜索实践
本文介绍了阿里云 Elasticsearch 在AI 搜索方面的技术实践与探索。
18836 20
|
1月前
|
Rust Apache 对象存储
Apache Paimon V0.9最新进展
Apache Paimon V0.9 版本即将发布,此版本带来了多项新特性并解决了关键挑战。Paimon自2022年从Flink社区诞生以来迅速成长,已成为Apache顶级项目,并广泛应用于阿里集团内外的多家企业。
17524 13
Apache Paimon V0.9最新进展
|
8天前
|
人工智能 自动驾驶 机器人
吴泳铭:AI最大的想象力不在手机屏幕,而是改变物理世界
过去22个月,AI发展速度超过任何历史时期,但我们依然还处于AGI变革的早期。生成式AI最大的想象力,绝不是在手机屏幕上做一两个新的超级app,而是接管数字世界,改变物理世界。
457 48
吴泳铭:AI最大的想象力不在手机屏幕,而是改变物理世界
|
1天前
|
云安全 存储 运维
叮咚!您有一份六大必做安全操作清单,请查收
云安全态势管理(CSPM)开启免费试用
353 4
叮咚!您有一份六大必做安全操作清单,请查收
|
2天前
|
存储 关系型数据库 分布式数据库
GraphRAG:基于PolarDB+通义千问+LangChain的知识图谱+大模型最佳实践
本文介绍了如何使用PolarDB、通义千问和LangChain搭建GraphRAG系统,结合知识图谱和向量检索提升问答质量。通过实例展示了单独使用向量检索和图检索的局限性,并通过图+向量联合搜索增强了问答准确性。PolarDB支持AGE图引擎和pgvector插件,实现图数据和向量数据的统一存储与检索,提升了RAG系统的性能和效果。