将CSV文件加载到NumPy中，并按名称访问列

Question

我有一个带有标题的csv文件，例如：

假设有这个test.csv文件：

"A","B","C","D","E","F","timestamp"
611.88243,9089.5601,5133.0,864.07514,1715.37476,765.22777,1.291111964948E12
611.88243,9089.5601,5133.0,864.07514,1715.37476,765.22777,1.291113113366E12
611.88243,9089.5601,5133.0,864.07514,1715.37476,765.22777,1.291120650486E12

我只想将它作为一个有3行7列的矩阵/ndarray加载，并且我还想从给定的列名访问列向量。如果我使用 genfromtxt（如下所示），我会得到一个有3行（每行一个）但没有列的 ndarray。

r = np.genfromtxt('test.csv',delimiter=',',dtype=None, names=True)
print r
print r.shape

[ (611.88243, 9089.5601000000006, 5133.0, 864.07514000000003, 1715.3747599999999, 765.22776999999996, 1291111964948.0)
 (611.88243, 9089.5601000000006, 5133.0, 864.07514000000003, 1715.3747599999999, 765.22776999999996, 1291113113366.0)
 (611.88243, 9089.5601000000006, 5133.0, 864.07514000000003, 1715.3747599999999, 765.22776999999996, 1291120650486.0)]
(3,)

我可以通过列名获取列向量，像这样：

print r['A']
  [ 611.88243  611.88243  611.88243]

如果我使用load.txt，那么我会得到一个有3行7列的数组，但是无法通过使用列名（如下所示）来访问columns。

numpy.loadtxt(open("test.csv","rb"),delimiter=",",skiprows=1)

我理解

  [ [611.88243,9089.5601,5133.0,864.07514,1715.37476,765.22777,1.291111964948E12]
    [611.88243,9089.5601,5133.0,864.07514,1715.37476,765.22777,1.291113113366E12]
    [611.88243,9089.5601,5133.0,864.07514,1715.37476,765.22777,1.291120650486E12] ]

在Python中，有没有一种方法可以同时实现这两个要求（像np.genfromtext一样按列名称访问列，并像np.loadtxt一样拥有矩阵）？

- user2481422

Answer 1

只使用numpy，你所展示的选项是唯一的选择。要么使用形状为(3,7)的同种数据类型的ndarray，要么使用(可能)异种数据类型和形状为(3,)的结构化数组。

如果你真的想要一个带有标签列和形状为(3,7)的数据结构（以及许多其他好处），你可以使用pandas DataFrame:

In [67]: import pandas as pd
In [68]: df = pd.read_csv('data'); df
Out[68]: 
           A          B     C          D           E          F     timestamp
0  611.88243  9089.5601  5133  864.07514  1715.37476  765.22777  1.291112e+12
1  611.88243  9089.5601  5133  864.07514  1715.37476  765.22777  1.291113e+12
2  611.88243  9089.5601  5133  864.07514  1715.37476  765.22777  1.291121e+12    

In [70]: df['A']
Out[70]: 
0    611.88243
1    611.88243
2    611.88243
Name: A, dtype: float64

In [71]: df.shape
Out[71]: (3, 7)

一个纯粹的NumPy / Python替代方法是使用字典将列名映射到索引：

import numpy as np
import csv
with open(filename) as f:
    reader = csv.reader(f)
    columns = next(reader)
    colmap = dict(zip(columns, range(len(columns))))

arr = np.matrix(np.loadtxt(filename, delimiter=",", skiprows=1))
print(arr[:, colmap['A']])

产生收益

[[ 611.88243]
 [ 611.88243]
 [ 611.88243]]

这样，arr就是一个NumPy矩阵，可以使用语法按标签访问列。

arr[:, colmap[column_name]]

- unutbu

---

我想要一个numpy矩阵（将用于进一步的矩阵操作），而不是数组。 - user2481422

Numpy矩阵没有可通过标签访问的列。 - unutbu

我在想这种情况下的时间效率。起初，我考虑使用loadtxt和genfromtext同时加载csv文件并访问numpy数组和列名，但是这需要太多时间。看起来这个解决方案也类似，只是用csv.reader替换了genfromtext（代码行更多）。我的csv文件大小为5MB，所以我希望有一个库可以同时完成两者。 - user2481422

使用csv模块的时间效率不错，无论文件有多大，因为只读取第一行。然而，我认为Warren Weckesser的解决方案更好。 - unutbu

Answer 2

因为您的数据是同质的--所有元素都是浮点数值--所以您可以创建一个由 genfromtxt 返回的数据视图，该视图是一个二维数组。例如，

In [42]: r = np.genfromtxt("test.csv", delimiter=',', names=True)

创建一个 numpy 数组作为 r 的“视图”。这是一个常规的 numpy 数组，但是它使用 r 中的数据创建：

In [43]: a = r.view(np.float64).reshape(len(r), -1)

In [44]: a.shape
Out[44]: (3, 7)

In [45]: a[:, 0]
Out[45]: array([ 611.88243,  611.88243,  611.88243])

In [46]: r['A']
Out[46]: array([ 611.88243,  611.88243,  611.88243])

r 和 a 指向同一块内存：

In [47]: a[0, 0] = -1

In [48]: r['A']
Out[48]: array([  -1.     ,  611.88243,  611.88243])

- Warren Weckesser