Python代码解析：从CSV读取特定列并导出到Excel

Python学习笔记：从.CSV文件中读取特定列并转存至.xlsx文件

python读取cvs文件多少行多少列(2023年最新分享)

注意。
如果Skip_blank_lines=True，则header参数会忽略注释行和空行，因此header=0指向数据的第一行而不是文件的第一行。

**names**:array-like,defaultNone

用于结果的列名称列表。
如果数据文件没有列标题行，则必须指定header=None。
去实现。
除非设置了mangle_dupe_cols=True，否则重复项不能出现在默认列表中。

index_col:intorsequenceorFalse,defaultNone

用作行索引的列号或列名称。
如果指定了序列，则有多个行索引。

如果文件是非标准形状，行尾有分隔符，可以设置index_col=False，防止pandas使用第一列作为行索引。

usecols:array-like,defaultNone

返回数据的子集。
列表中的值必须对应于文件中的位置（数字可以对应指定的列）或者。
是作为文件中的列名称传递的字符。
例如：有效的usecols参数可以是[0,1,2]或['foo','bar','baz']。
使用此选项可以加快加载时间并减少内存消耗。

as_recarray:boolean,defaultFalse

已弃用：此选项将在未来版本中删除。
使用pd.read_csv(...).to_records()代替。

返回重复的Numpy数组而不是DataFrame。
如果该参数设置为True。
将首先使用压缩选项。
并且行索引将不再可用，并且索引列将被忽略。

**squeeze**:boolean,defaultFalse

如果文件值包含列，则返回系列

**prefix**:str,defaultNone

如果没有列标题，则向列添加前缀。
例如：加上'X'成为X0，'表示为'X.0'...'X.N'。
如果设置为false，所有重复的列将被覆盖。

dtype:Typenameordictofcolumn-type,defaultNone

每个数据列的数据类型。
例如，{'a':np.float64,'b':np.int32}

**engine**:{'c','python'},可选

使用解析引擎。
Cengine引擎速度更快，Python引擎现在功能更强大。

使用的解析引擎。
你你可以选择C或Python。
C引擎速度更快，但Python引擎功能更完整。

converters:dict,defaultNone

列转换函数的字典。
键可以是列名或列号。

true_values:list,defaultNone

应视为True的值

false_values:list,defaultNone

应视为True的值应视为False

**skipinitialspace**:boolean,defaultFalse

忽略分隔符后的空格（默认为False，即不忽略）。

skiprows:list-likeorinteger,defaultNone

skiprows:list-likeorinteger,defaultNone

要忽略的行数（从文件开头开始）)，或要跳过的行号列表（从0开始）。

skipfooter:int,default0

从文件末尾开始忽略。
（C引擎不支持）

skip_footer:int,default0

不推荐：推荐使用jumpfooter，其功能相同。

nrows:int,defaultNone

要读取的行数（从文件开头算起）。

na_values:scalar,str,list-like,ordict,defaultNone

用于替换NA/NaN的一组值。
如果传递参数，则必须为特定列指定空值。
默认值为“1.#IND”、“1.#QNAN”、“N/A”、“NA”、“NULL”、“NaN”、“nan”。

**keep_default_na**:bool,defaultTrue

如果指定了na_values参数并且Keep_default_na=False，那么默认的NaN值将被覆盖，否则将被添加。

**na_filter**:boolean,defaultTrue

是否检查缺失值（空字符串或空值）。
对于大文件，数据集中不存在空值。
设置na_filter=False可能会提高读取速度。

verbose:boolean,defaultFalse

是否显示各种解析器的输出信息，例如：“非数字列中缺失值的数量”等。

skip_blank_lines:boolean,defaultTrue

如果为True，则跳过空白行，否则将其写为NaN。

**parse_dates**:booleanorlistofintsornamesorlistoflistsordict,defaultFalse

infer_datetime_format:boolean,defaultFalse

如果设置为True并且parse_dates可用，pandas将尝试转换为日期类型，如果可以转换的话，转换一下方法，分析一下。
在某些情况下，速度会快5-10倍。

**keep_date_col**:boolean,defaultFalse

如果要合并多个列来解析日期，请保留连接中涉及的列。
默认为false。
双引号表示引用的元素用作单个元素。

escapechar:str(length1),defaultNone

如果引用的值为QUOTE_NONE，请指定该字符，使其不受分隔符限制。

comment:str,defaultNone

表示不解析冗余行。
如果该字符出现在行首，则整行将被忽略。
该参数只能包含一个字符。
空行（例如，skip_blank_lines=True）和注释行将被标题和空格忽略。
例如，如果为header=0的分析'#empty\na,b,c\n1,2,3'指定comment='#'，则结果'a,b,c'将作为标头。

encoding:str,defaultNone

dialect:strorcsv.Dialectinstance,defaultNone

如果未指定特定语言，则如果sep大于1，则忽略该语言特点。
有关详细信息，请参阅文档csv.Dialect。

tupleize_cols:boolean,defaultFalse

Leavealistoftuplesoncolumnsasis(defaultistoconverttoaMultiIndexonthecolumns)

error_bad_lines:boolean,defaultTrue

如果行包含太多列，则不会返回默认的DataFrame。
如果设置为false，则换行符将被删除（仅在C解析器中）。

warn_bad_lines:boolean,defaultTrue

如果error_bad_lines=False且alert_bad_lines=True，则将打印所有“坏行”（仅在C解析器中可用）。

**low_memory**:boolean,defaultTrue

将块加载到内存中并以低内存消耗进行分析。
但可能会出现类型混乱。
为了防止类型混淆，必须将该值设置为False。
或者使用dtype参数指定类型。
请注意，使用chunksize或iterator选项读取块将导致整个文件被读入Dataframe，忽略类型（仅在C解析器中有效）

**buffer_lines**:int,defaultNone

已弃用，此参数将在未来版本中删除，因为它的值在分析器中已弃用。

compact_ints:boolean,defaultFalse

已弃用，以后版本中将在Removed中使用该选项。

如果设置Compact_ints=True，则任何整数类型的列都将存储为最小整数类型，无论是否有符号将取决于use_unsigned参数

use_unsigned:boolean,defaultFalse

已弃用：此参数将在未来版本。

如果整数列被压缩（即，compact_ints=True），请指定压缩列是有符号的还是无符号的。
。

memory_map:boolean,defaultFalse

如果使用的文件在内存中，则直接使用map文件。
使用此方法可以避免文件重复执行I/O操作。

链接：

Python如何读取CSV文件某一列中的每一行数据并判断该值是否符合条件？

要读取CSV文件，请使用csv.reader()方法。
返回的结果是_csv.reader对象。
我们可以迭代这个对象并输出每一行、特定行或特定列。
代码如下：

每一行都是一个列表，然后就可以使用条件命题了。

输出：上面是CTO关于Python的cvs文件有多少行的注释已读。
对文章相关内容的回应进行了总结。
希望您觉得这有帮助！如果您的问题解决了，请分享给关心这个问题的朋友~

怎么用python提取csv数据并筛选指定条件数据?

本文介绍了使用Python提取和过滤CSV数据的方法，以及数据可视化和结果存储的整个过程。
具体步骤如下：一是明确需求。
目标是从CSV文件中选择具有特定条件的数据，即特定范围内的日常​​数据，同时排除其他数据，在数据前后绘制直方图，并将结果导出为新文件。
然后读取CSV文件并将数据加载到DataFrame中。
以天为基准，提取0~45、320~365数据的样本，然后使用条件过滤，只保留blue_dif、green_dif、red_dif、inf_dif四列数据在指定范围内的样本。
创建布尔掩码掩码来过滤掉符合日期范围的数据。
使用apply函数和lambda表达式对于日期范围内的行，如果四列数据不在指定范围内，则将它们随机设置为NaN并以概率p=[0.9,0.1]设置。
使用dropna删除包含NaN值的行，完成数据过滤。
根据过滤条件，计算并存储处理后的数据子集。
使用Matplotlib创建直方图，分别显示原始数据和处理后数据的分布，并生成8个图形文件。
最后，将处理后的数据保存为新的CSV文件，文件路径由result_file_path指定。
运行代码后，您将获得8个直方图和目标CSV文件。
至此，数据提取、过滤、可视化和结果存储的整个过程就完成了。