para - leer archivos csv en python

Importe múltiples archivos csv a pandas y concatene en un DataFrame

Question

Me gustaría leer varios archivos csv de un directorio a pandas y concatenarlos en un gran DataFrame. Aunque no he podido averiguarlo. Aquí está lo que tengo hasta ahora:

import glob
import pandas as pd

# get data file names
path =r''C:/DRO/DCL_rawdata_files''
filenames = glob.glob(path + "/*.csv")

dfs = []
for filename in filenames:
    dfs.append(pd.read_csv(filename))

# Concatenate all data into one DataFrame
big_frame = pd.concat(dfs, ignore_index=True)

Supongo que necesito algo de ayuda dentro del bucle for?

Answer 1

Edición: Busqué en Google en https://.com/a/21232849/186078 . Sin embargo, últimamente encuentro que es más rápido realizar cualquier manipulación utilizando numpy y luego asignarlo una vez al marco de datos en lugar de manipular el propio marco de datos en forma iterativa y parece funcionar también en esta solución.

Sinceramente, quiero que cualquier persona que visite esta página considere este enfoque, pero no quiero adjuntar esta enorme pieza de código como comentario y hacerlo menos legible.

Puede aprovechar numpy para acelerar realmente la concatenación del marco de datos.

import os
import glob
import pandas as pd
import numpy as np

path = "my_dir_full_path"
allFiles = glob.glob(os.path.join(path,"*.csv"))


np_array_list = []
for file_ in allFiles:
    df = pd.read_csv(file_,index_col=None, header=0)
    np_array_list.append(df.as_matrix())

comb_np_array = np.vstack(np_array_list)
big_frame = pd.DataFrame(comb_np_array)

big_frame.columns = ["col1","col2"....]

Estadísticas de tiempo:

total files :192
avg lines per file :8492
--approach 1 without numpy -- 8.248656988143921 seconds ---
total records old :1630571
--approach 2 with numpy -- 2.289292573928833 seconds ---

Answer 2

La biblioteca Dask puede leer un marco de datos de varios archivos:

>>> import dask.dataframe as dd
>>> df = dd.read_csv(''data*.csv'')

(Fuente: http://dask.pydata.org/en/latest/examples/dataframe-csv.html )

Los marcos de datos de Dask implementan un subconjunto de la API de marcos de datos de Pandas. Si todos los datos df.compute() en la memoria, puede llamar a df.compute() para convertir el marco de datos en un marco de datos de Pandas.

Answer 3

Si desea buscar de forma recursiva ( Python 3.5 o superior ), puede hacer lo siguiente:

from glob import iglob
import pandas as pd

path = r''C:/user/your/path/**/*.csv''

all_rec = iglob(path, recursive=True)     
dataframes = (pd.read_csv(f) for f in all_rec)
big_dataframe = pd.concat(dataframes, ignore_index=True)

Tenga en cuenta que las tres últimas líneas se pueden expresar en una sola línea :

df = pd.concat((pd.read_csv(f) for f in iglob(path, recursive=True)), ignore_index=True)

Puedes encontrar la documentación de ** here . Además, utilicé iglob lugar de glob , ya que devuelve un iterador en lugar de una lista.

EDIT: Función recursiva multiplataforma:

Puede envolver lo anterior en una función multiplataforma (Linux, Windows, Mac), por lo que puede hacer:

df = read_df_rec(''C:/user/your/path'', *.csv)

Aquí está la función:

from glob import iglob
from os.path import join
import pandas as pd

def read_df_rec(path, fn_regex=r''*.csv''):
    return pd.concat((pd.read_csv(f) for f in iglob(
        join(path, ''**'', fn_regex), recursive=True)), ignore_index=True)

Answer 4

Si los archivos csv múltiples están comprimidos, puede usar un archivo zip para leer todos y concatenar como se muestra a continuación:

import zipfile
import numpy as np
import pandas as pd

ziptrain = zipfile.ZipFile(''yourpath/yourfile.zip'')

train=[]

for f in range(0,len(ziptrain.namelist())):
    if (f == 0):
        train = pd.read_csv(ziptrain.open(ziptrain.namelist()[f]))
    else:
        my_df = pd.read_csv(ziptrain.open(ziptrain.namelist()[f]))
        train = (pd.DataFrame(np.concatenate((train,my_df),axis=0), 
                          columns=list(my_df.columns.values)))

Answer 5

Si tiene las mismas columnas en todos sus archivos csv , puede probar el siguiente código. He agregado header=0 para que después de leer la primera fila de csv se puedan asignar como nombres de columna.

path =r''C:/DRO/DCL_rawdata_files'' # use your path
allFiles = glob.glob(path + "/*.csv")

list_ = []

for file_ in allFiles:
    df = pd.read_csv(file_,index_col=None, header=0)
    list_.append(df)

frame = pd.concat(list_, axis = 0, ignore_index = True)

Answer 6

Una alternativa a la respuesta de darindaCoder :

path = r''C:/DRO/DCL_rawdata_files''                     # use your path
all_files = glob.glob(os.path.join(path, "*.csv"))     # advisable to use os.path.join as this makes concatenation OS independent

df_from_each_file = (pd.read_csv(f) for f in all_files)
concatenated_df   = pd.concat(df_from_each_file, ignore_index=True)
# doesn''t create a list, nor does it append to one

Answer 7

filepaths = [''data/d1.csv'', ''data/d2.csv'',''data/d3.csv'',''data/d4.csv'']
df = pd.concat(map(pd.read_csv, filepaths))

Answer 8

import glob, os    
df = pd.concat(map(pd.read_csv, glob.glob(os.path.join('''', "my_files*.csv"))))