如何在 Pandas 中读取固定宽度格式的文本文件？

Question

我刚刚接触了熊猫，正在研究如何读取文件。 该文件来自 WRDS 数据库，是可追溯到 1960 年代的 SP500 成分列表。 我检查了文件，无论我如何使用read_csv导入它，我仍然无法正确显示数据。

df = read_csv('sp500-sb.txt')

df

<class 'pandas.core.frame.DataFrame'>
Int64Index: 1231 entries, 0 to 1230
Data columns: gvkeyx      from      thru     conm
                                        gvkey      co_conm
...(the column names)
dtypes: object(1)

上面的输出块是什么意思？ 任何事情都会有所帮助。

Answer 1

pandas.read_fwf()已在 pandas 0.7.3（ 2012 年 4 月）中添加以处理固定宽度的文件。

1. API参考

2. 其他问题的一个例子

Answer 2

韦斯在一封电子邮件中回复了我。 干杯。

这是一个固定宽度格式的文件（不像往常那样用逗号或制表符分隔）。 我意识到熊猫没有像 R 那样的固定宽度阅读器，尽管可以很容易地塑造它。 我会看看我能做什么。 同时，如果您可以以另一种格式导出数据（例如 csv——真正以逗号分隔），您将能够使用 read_csv 读取它。 我怀疑使用一些 unix 魔法可以将 FWF 文件转换为 CSV 文件。

我建议关注 github 上的问题，因为您的电子邮件即将从我的收件箱中消失:)

https://github.com/pydata/pandas/issues/920

最好的，韦斯

Answer 3

你说的显示是什么意思？ df['gvkey']不是给你 gvkey 列中的数据吗？

如果您所做的是将整个数据框打印到控制台，请查看df.to_string() ，但如果您有太多列，则很难阅读。 如果列太多，Pandas 默认不会打印整个内容：

import pandas
import numpy 

df1 = pandas.DataFrame(numpy.random.randn(10, 3), columns=['col%d' % d for d in range(3)] )
df2 = pandas.DataFrame(numpy.random.randn(10, 30), columns=['col%d' % d for d in range(30)] )

print df1   # <--- substitute by df2 to see the difference
print
print df1['col1']
print
print df1.to_string()

Answer 4

用户，如果您现在需要处理固定格式，您可以使用以下内容：

def fixed_width_to_items(filename, fields, first_column_is_index=False, ignore_first_rows=0):
    reader = open(filename, 'r')
    # skip first rows 
    for i in xrange(ignore_first_rows):
        reader.next()
    if first_column_is_index:
        index = slice(0, fields[1])
        fields = [slice(*x) for x  in zip(fields[1:-1], fields[2:])]
        return ((line[index], [line[x].strip() for x in fields]) for line in reader)
    else:
        fields = [slice(*x) for x  in zip(fields[:-1], fields[1:])]
        return ((i, [line[x].strip() for x in fields]) for i,line in enumerate(reader)) 

这是一个测试程序：

import pandas
import numpy
import tempfile

# create a data frame
df = pandas.DataFrame(numpy.random.randn(100, 5))
file_ = tempfile.NamedTemporaryFile(delete=True)
file_.write(df.to_string())
file_.flush()

# specify fields
fields = [0, 3, 12, 22, 32, 42, 52]
df2 = pandas.DataFrame.from_items( fixed_width_to_items(file_.name, fields, first_column_is_index=True, ignore_first_rows=1) ).T

# need to specify the datatypes, otherwise everything is a string
df2 = pandas.DataFrame(df2, dtype=float)
df2.index = [int(x) for x in df2.index]

# check
assert (df - df2).abs().max().max() < 1E-6

如果您现在需要它，这应该可以解决问题，但请记住，上面的函数非常简单，特别是它对数据类型没有任何作用。