Personalizarea importului cu pandas

Pachetul pandas este excelent pentru a gestiona multe dintre problemele pe care le vei întâlni când imporți date ca om de știință a datelor, cum ar fi comentariile din fișierele flat, liniile goale și valorile lipsă (NA sau NaN). Pentru a încheia acest capitol, vei importa o copie coruptă a setului de date Titanic, titanic_corrupt.txt, care conține comentarii după caracterul '#' și este delimitat prin tab.

Argumentele cheie pentru pd.read_csv() includ:

sep stabilește separatorul așteptat.
- Poți folosi ',' pentru delimitare prin virgulă.
- Poți folosi '\t' pentru delimitare prin tab.
comment primește caracterele după care apar comentariile în fișier, indicând că orice text care începe cu aceste caractere ar trebui ignorat.
na_values primește o listă de șiruri care să fie identificate ca NA/NaN. În mod implicit, unele valori sunt deja recunoscute ca NA/NaN. Furnizarea acestui argument va adăuga valori suplimentare.

Acest exercițiu face parte din cursul

Introducere în importul datelor în Python

Vezi cursul

Instrucțiuni pentru exercițiu

Completează argumentele funcției pd.read_csv() pentru a importa corect titanic_corrupt.txt folosind pandas:
- sep stabilește separatorul de utilizat și funcționează la fel ca argumentul delimiter al np.loadtxt(). Reține că fișierul pe care îl imporți este delimitat prin tab.
- comment primește caracterele după care apar comentariile în fișier — în acest caz, '#'.
- na_values primește o listă de șiruri care să fie tratate ca NA/NaN — în acest caz, șirul 'Nothing'.
Rulează restul codului pentru a afișa primele rânduri ale DataFrame-ului rezultat și a trasa histograma coloanei 'Age' a pasagerilor de pe Titanic.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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()

Editează și rulează codul