Personalização da importação do pandas

O pacote pandas é excelente para lidar com muitos dos problemas que você enfrentará ao importar dados como cientista de dados, como comentários que ocorrem em arquivos simples, linhas vazias e valores faltantes (NA ou NaN). Para encerrar este capítulo, você importará uma cópia corrompida do conjunto de dados titanic_corrupt.txt do Titanic, que contém comentários após o caractere '#', e é delimitado por tabulação.

Os principais argumentos de pd.read_csv() incluem:

sep define o delimitador esperado.
- Você pode usar ',' para delimitação por vírgula.
- Você pode usar '\t' para delimitação por tabulação.
comment aceita os caracteres que aparecem após os comentários no arquivo, indicando que qualquer texto que comece com esses caracteres deve ser ignorado.
na_values aceita uma lista de strings para identificar como NA/NaN. Por padrão, alguns valores já são reconhecidos como NA/NaN. Ao fornecer esse argumento, você fornecerá valores adicionais.

Este exercício faz parte do curso

Introdução à importação de dados em Python

Ver curso

Instruções do exercício

Preencha os argumentos depd.read_csv() para importartitanic_corrupt.txt corretamente usando o pandas:
- sep define o delimitador a ser usado e funciona da mesma forma que o delimiterargumentonp.loadtxt() de 's. Lembre-se de que o arquivo que você está importando é delimitado por tabulação.
- comment pega os caracteres que aparecem depois dos comentários no arquivo, que, neste caso, é '#'.
- na_values aceita uma lista de strings que devem ser tratadas como NA/NaN; neste caso, a string 'Nothing'.
Execute o restante do código para imprimir o cabeçalho do DataFrame resultante e desenhe o histograma de 'Age' dos passageiros a bordo do Titanic.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# 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()

Editar e executar o código