使用 pandas 中的 read_csv 时为特定列设置数据类型

Question

我有一个大 csv 文件（~10GB），大约有 4000 列。 我知道我期望的大部分数据是 int8，所以我设置：

pandas.read_csv('file.dat', sep=',', engine='c', header=None, 
                na_filter=False, dtype=np.int8, low_memory=False)

问题是，最后一列（第 4000 个位置）是 int32，我可以告诉 read_csv 默认使用 int8，在第 4000 列使用 int 32 吗？

谢谢

Answer 1

如果您确定数字，您可以像这样重新创建字典：

dtype = dict(zip(range(4000),['int8' for _ in range(3999)] + ['int32']))

考虑到这有效：

import pandas as pd
import numpy as np
​
data = '''\
1,2,3
4,5,6'''
​
fileobj = pd.compat.StringIO(data)
df = pd.read_csv(fileobj, dtype={0:'int8',1:'int8',2:'int32'}, header=None)
​
print(df.dtypes)

返回：

0     int8
1     int8
2    int32
dtype: object

从文档：

dtype : 类型名称或列的字典 -> 类型，默认无

数据或列的数据类型。 例如 {'a': np.float64, 'b': np.int32} 使用 str 或 object 来保留而不是解释 dtype。 如果指定了转换器，它们将被应用于 dtype 转换的 INSTEAD。

Answer 2

由于您没有标题，列名是它们出现的整数顺序，即第一列是df[0] 。 要将最后一列以编程方式设置为int32 ，您可以读取文件的第一行以获取数据框的宽度，然后构造一个您要使用的整数类型的字典，并将列数作为键。

import numpy as np
import pandas as pd

with open('file.dat') as fp:
    width = len(fp.readline().strip().split(','))
    dtypes = {i: np.int8 for i in range(width)}
    # update the last column's dtype
    dtypes[width-1] = np.int32

    # reset the read position of the file pointer
    fp.seek(0)
    df = pd.read_csv(fp, sep=',', engine='c', header=None, 
                     na_filter=False, dtype=dtypes, low_memory=False)