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.

Proč jsou flat files v datové vědě důležité

Create Your Free Account