Personalizando a importação do pandas

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

Os principais argumentos para 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 assume os caracteres após os quais os comentários ocorrem no arquivo, indicando que qualquer texto que comece com esses caracteres deve ser ignorado.
na_values recebe uma lista de cadeias de caracteres para você 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 de exercício

Complete os argumentos de pd.read_csv() para importar titanic_corrupt.txt corretamente usando pandas:
- sep define o delimitador a ser usado e funciona da mesma forma que o argumento delimiter do site np.loadtxt(). Observe que o arquivo que você está importando é delimitado por tabulação.
- comment assume os caracteres após os quais os comentários ocorrem no arquivo, que, nesse caso, é '#'.
- na_values recebe uma lista de cadeias de caracteres a serem tratadas como NA/NaN, nesse caso a cadeia de caracteres 'Nothing'.
Execute o restante do código para imprimir o cabeçalho do DataFrame resultante e desenhe o histograma do 'Age' de passageiros a bordo do Titanic.

Exercício interativo prático

Experimente este exercício preenchendo 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 código