Přizpůsobení importu v pandas

Balíček pandas si skvěle poradí s mnoha problémy, na které při importu dat narazíš, jako jsou komentáře v flat files, prázdné řádky nebo chybějící hodnoty (NA nebo NaN). Na závěr této kapitoly naimportuješ poškozenou kopii datasetu Titanic titanic_corrupt.txt, která obsahuje komentáře za znakem '#' a je oddělená tabulátorem.

Důležité argumenty funkce pd.read_csv():

sep nastavuje očekávaný oddělovač.
- Pro oddělení čárkou použij ','.
- Pro oddělení tabulátorem použij '\t'.
comment přijímá znaky, za nimiž se v souboru vyskytují komentáře — veškerý text začínající těmito znaky bude ignorován.
na_values přijímá seznam řetězců, které se mají považovat za NA/NaN. Některé hodnoty jsou jako NA/NaN rozpoznávány automaticky; tímto argumentem přidáš další.

Toto cvičení je součástí kurzu

Úvod do importu dat v Pythonu

Zobrazit kurz

Pokyny k cvičení

Doplň argumenty funkce pd.read_csv() tak, aby správně naimportovala soubor titanic_corrupt.txt:
- sep nastavuje použitý oddělovač a funguje stejně jako argument delimiter funkce np.loadtxt(). Soubor, který importuješ, je oddělený tabulátorem.
- comment přijímá znaky, za nimiž se v souboru vyskytují komentáře — v tomto případě '#'.
- na_values přijímá seznam řetězců, které se mají považovat za NA/NaN — v tomto případě řetězec 'Nothing'.
Spusť zbytek kódu, aby se vypsal začátek výsledného DataFrame a zobrazil histogram sloupce 'Age' cestujících na palubě Titaniku.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import matplotlib.pyplot as plt
import matplotlib.pyplot as plt

# Assign filename: file
file = 'titanic_corrupt.txt'

# Import file: data
data = pd.read_csv(file, sep='____', comment='____', na_values=[____])

# Print the head of the DataFrame
print(data.head())

# Plot 'Age' variable in a histogram
pd.DataFrame.hist(data[['Age']])
plt.xlabel('Age (years)')
plt.ylabel('count')
plt.show()

Upravit a spustit kód