根据 pandas 中的列索引在 csv 文件导入期间定义数据类型

Question

我需要导入一个包含 300 多列的 csv 文件，在这些列中，只有第一列需要指定为类别，而其余列应为 float 32 或更少。我猜我可以通过列索引指定列的数据类型。我的问题是：根据列索引指定数据类型的最佳方法是什么？

Col_A   Col_B   Col_C   Col_D
001       1       2      1.2
002       2       3      3.5
003       3       4.5      7
004       4       6.5     10

我尝试的代码是：

df = pd.read_csv(path, low_memory=False,  
             dtype={'Col_A': 'category', [2:]: np.float32)}

Answer 1

有两种情况：

1. 您知道并因此可以提前指定每列的最佳类型；或者
2. 您事先不知道最佳类型，并且必须在读取文件后转换为最佳类型。

提前指定

这是一个简单的例子。使用字典：

type_dict = {'Col_A': 'category', 'Col_B': 'int16',
             'Col_C': 'float16', 'Col_D': 'float32'}

df = pd.read_csv(myfile, delim_whitespace=True, dtype=type_dict)

如果您事先不知道列名称，只需阅读这些列作为第一步：

cols = pd.read_csv(myfile, delim_whitespace=True, nrows=0).columns
# Index(['Col_A', 'Col_B', 'Col_C', 'Col_D'], dtype='object')

type_dict = {'Col_A': 'category', **{col: 'float32' for col in cols[1:]}}

df = pd.read_csv(myfile, delim_whitespace=True, dtype=type_dict)

阅读后指定

通常您事先不会知道最佳类型。在这种情况下，您可以正常读入数据并在后续步骤中显式执行int转换float：

df = pd.read_csv(myfile, delim_whitespace=True, dtype={'Col_A': 'category'})

cols = {k: df.select_dtypes([k]).columns for k in ('integer', 'float')}

for col_type, col_names in cols.items():
    df[col_names] = df[col_names].apply(pd.to_numeric, downcast=col_type)

print(df.dtypes)

Col_A    category
Col_B        int8
Col_C     float32
Col_D     float32
dtype: object

用于测试的设置

from io import StringIO

myfile = StringIO("""Col_A   Col_B   Col_C   Col_D
001       1       2      1.2
002       2       3      3.5
003       3       4.5      7
004       4       6.5     10""")