tsv、csv、xls等文件类型区别及处理（python版）

前言

考虑到进行机器学习、深度学习训练、预测时我们不免接触到许许多多的数据，而这些数据又以不同的格式存在（主要有csv、xls、tsv三种格式），所以本文就想来讲讲这三种格式数据的转化、阅读、处理

介绍

txt文件：txt为纯文本文件，无格式，只保存内容字符，基本跨平台，不过受字符的编码影响（因为只保存字符编码，一般没特定的编码识别标志），需要选择对应字符解码方式才能正确读取（如GBK编码的字符用UTF-8解码会乱码）

csv文件：CSV是一种简单、实用的文件格式，用于存储和表示包括文本、数值等各种类型的数据。CSV 文件通常以 .csv 作为文件扩展名。这种文件格式的一个显著特点是：文件内的数据以逗号分隔，呈现一个表格形式。CSV 文件已广泛应用于存储、传输和编辑数据

tsv文件：TSV也是一种简单、实用的文件格式，与CSV一样用于存储和表示包括文本、数值等各种类型的数据。其显著特点是文件内的数据以指标符 '\t' 分隔

xls文件：xls是一个特有的二进制格式，核心结构属于复合型文档类型，是2003版本Office Microsoft Office Excel工作表保存的默认格式。新建Excel表格保存的后缀名为“.xls”。最普通的excel格式

xlsx文件：xlsx的核心结构是XML类型结构，采用了XML的压缩方式，使其占用的空间更小，xlsx中最后一个x的意义就在于此，它是Excel2007版本的文件。新建Excel表格默认保存的后缀名为“.xlsx”

xlsm文件：xlsm同xlsx一样是属于07年版本的保存文件。只有保存为xlsm文件格式时，才能够保存写在excel文件中的宏方法，也就是VBA语言程序。它的后缀名是“.xlsm”

doc文件：是office word的文档文件，是是二进制文档，数据结构复杂且保密（微软私有格式，破解的多只能读，写容易出问题，官方word读不回去）

docx文件：是一种基于xml的zip包，开放格式，基本保证支持docx的都能通用读写。

pdf文件：是Adobe推出的文档交换格式，富文本，主要用于实现文档交换（如传阅和打印），对文字格式控制（可保证格式原样不变）和文档保护比doc好，同跨平台，属于开放标准

本文重点来讲讲标红的三种文件格式之间的转化以及文件处理（python语言）

tsv、csv、txt的区别

• 相同点： csv、tsv和txt都属于文本文件。
• 不同点：csv和tsv文件的字段间分别由逗号和tab键隔开，而txt文件则没有明确要求，可使用逗号/制表符/空格等 多种不同的符号。

读取/生成 不同格式数据文件（python）

python中有一个库专门用来数据处理，这个库就是pandas。pandas能够对数据进行归一化、标准化、缺失值补全、异常值剔除等处理，当然也能够对不同的格式的数据文件进行读取、生成、转化。学会使用pandas库，将大大方便我的对数据的处理

下图为pandas库下不同格式数据文件读取、生成的函数名称（来源 官方文档）：

一、读取/生成csv数据文件

import pandas as pd
data=pd.read_csv('./mydata.csv') #读取csv格式文件，mydata.csv为文件名
data.to_csv('./my_new_data.csv') #生成csv格式文件，此时data中存储的是其他文件格式（例如xls）

read_csv函数默认的分隔符参数为‘，’，所以这里的read_csv('./mydata.csv')完整写法为read_csv('./mydata.csv'，sep=',')。如果有需要我们也可以修改sep中的分隔符符号，去实现不同分隔符下数据的读取

read_csv函数读取后返回对象为DataFrame类型

二、读取/生成txt数据文件

# 读取txt文件
import pandas as pd
# 调用read_table函数读取txt文件
data =  pd.read_table("./mydatat.txt")
# 调用read_csv函数读取txt文件
df =  pd.read_csv("./my_new_data.txt"，sep=',')

这里利用read_csv函数来读取txt文件时，这意味着txt文件中数据的分隔符需要是‘，’，否则将无法正确的解析数据

三、读取/生成tsv数据文件

import pandas as pd
# 读取TSV文件
data = pd.read_csv('data.tsv', sep='\t')

read_csv()函数通常来读取CSV文件，所以默认情况下，它会将逗号作为分隔符。为了读取TSV文件，我们需要使用read_csv()函数，并将分隔符参数设置为'\t'

四、读取/生成xls数据文件

import pandas as pd
#读取xlsx文件转化为DataFrame格式存储在df中
df=pd.read_excel('file.xlsx')
#将DataFrame对象转化为xlsx文件格式
df.to_excel('new_file.xlsx')

这两个函数同样可以生成xls文件。xls文件相比于xlsx文件安全系数更好，因为其是用二进制存储的，而xlsx文件是用xml格式存储的，xml格式是为了传输的

不同文件格式转化

一个思路：先将待转化文件格式读取为DataFrame格式，然后再利用DataFrame格式的to_函数转成不同格式文件

总结

python中的pandas库是数据处理的一个利器，如果遇到数据处理的问题都可以利用pandas库来处理