將多個CSV文件中的列合並為一個文件

Question

我有一堆CSV文件（下面的例子中只有兩個）。 每個CSV文件有6列。 我想進入每個CSV文件，復制前兩列並將它們作為新列添加到現有CSV文件中。

到目前為止，我有：

import csv

f = open('combined.csv')
data = [item for item in csv.reader(f)]
f.close()

for x in range(1,3): #example has 2 csv files, this will be automated
    n=0
    while n<2:
        f=open(str(x)+".csv")
        new_column=[item[n] for item in csv.reader(f)]
        f.close()
        #print d

        new_data = []

        for i, item in enumerate(data):
            try:
                item.append(new_column[i])
                print i
            except IndexError, e:
                item.append("")
            new_data.append(item)

        f = open('combined.csv', 'w')
        csv.writer(f).writerows(new_data)
        f.close()
        n=n+1

這是有效的，它不漂亮，但它的工作原理。 但是，我有三個小煩惱：

1. 我打開每個CSV文件兩次（每列一次），這很不優雅

2. 當我打印combined.csv文件時，它會在每行后打印一個空行？

3. 我必須提供一個combined.csv文件，其中至少包含與我可能擁有的最大文件一樣多的行。 由於我真的不知道這個數字是什么，這有點糟透了

一如既往，非常感謝任何幫助！

根據要求：1.csv看起來像（模擬數據）

1,a
2,b
3,c
4,d

2.csv看起來像

5,e
6,f
7,g
8,h
9,i

combined.csv文件看起來應該是這樣的

1,a,5,e
2,b,6,f
3,c,7,g
4,d,8,h
,,9,i

Answer 1

import csv
import itertools as IT

filenames = ['1.csv', '2.csv']
handles = [open(filename, 'rb') for filename in filenames]    
readers = [csv.reader(f, delimiter=',') for f in handles]

with  open('combined.csv', 'wb') as h:
    writer = csv.writer(h, delimiter=',', lineterminator='\n', )
    for rows in IT.izip_longest(*readers, fillvalue=['']*2):
        combined_row = []
        for row in rows:
            row = row[:2] # select the columns you want
            if len(row) == 2:
                combined_row.extend(row)
            else:
                combined.extend(['']*2)
        writer.writerow(combined_row)

for f in handles:
    f.close()

---

for rows in IT.izip_longest(*readers, fillvalue=['']*2):可以用一個例子來理解：

In [1]: import itertools as IT

In [2]: readers = [(1,2,3), ('a','b','c','d'), (10,20,30,40)]

In [3]: list(IT.izip_longest(readers[0], readers[1], readers[2]))
Out[3]: [(1, 'a', 10), (2, 'b', 20), (3, 'c', 30), (None, 'd', 40)]

正如您所看到的， IT.izip_longest的行為與zip非常相似，只是在消耗最長的可迭代之前它不會停止。 默認情況下，它使用None填充缺少的項目。

如果readers中有超過3個項目，會發生什么？ 我們想寫

list(IT.izip_longest(readers[0], readers[1], readers[2], ...))

但這很費力，如果我們事先不知道len(readers) ，我們甚至不能用明確的東西替換省略號（ ... ）。

Python有一個解決方案： star（aka參數解包）語法 ：

In [4]: list(IT.izip_longest(*readers))
Out[4]: [(1, 'a', 10), (2, 'b', 20), (3, 'c', 30), (None, 'd', 40)]

注意結果Out[4]與結果Out[3] 。

*readers告訴Python解壓縮readers的項目並將它們作為單獨的參數發送給IT.izip_longest 。 這就是Python允許我們向函數發送任意數量的參數的方法。

Answer 2

現在，似乎幾乎必須有人為Python中的任何數據處理問題提供基於熊貓的解決方案。 所以這是我的：

import pandas as pd

to_merge = ['{}.csv'.format(i) for i in range(4)]
dfs = []
for filename in to_merge:
    # read the csv, making sure the first two columns are str
    df = pd.read_csv(filename, header=None, converters={0: str, 1: str})
    # throw away all but the first two columns
    df = df.ix[:,:1]
    # change the column names so they won't collide during concatenation
    df.columns = [filename + str(cname) for cname in df.columns]
    dfs.append(df)

# concatenate them horizontally
merged = pd.concat(dfs,axis=1)
# write it out
merged.to_csv("merged.csv", header=None, index=None)

哪個用於文件

~/coding/pand/merge$ cat 0.csv 
0,a,6,5,3,7
~/coding/pand/merge$ cat 1.csv 
1,b,7,6,7,0
2,c,0,1,8,7
3,d,6,8,4,5
4,e,8,4,2,4
~/coding/pand/merge$ cat 2.csv 
5,f,6,2,9,1
6,g,0,3,2,7
7,h,6,5,1,9
~/coding/pand/merge$ cat 3.csv 
8,i,9,1,7,1
9,j,0,9,3,9

給

In [21]: !cat merged.csv
0,a,1,b,5,f,8,i
,,2,c,6,g,9,j
,,3,d,7,h,,
,,4,e,,,,

In [22]: pd.read_csv("merged.csv", header=None)
Out[22]: 
    0    1  2  3   4    5   6    7
0   0    a  1  b   5    f   8    i
1 NaN  NaN  2  c   6    g   9    j
2 NaN  NaN  3  d   7    h NaN  NaN
3 NaN  NaN  4  e NaN  NaN NaN  NaN

我認為這是正確的對齊方式。

Answer 3

這是我為解決您的問題而編寫的程序。 它創建了一個類，用於保存有關要讀取的每個CSV文件的信息，包括您希望從中獲取哪些列。 然后只有一個要讀取的CSV文件列表，並從每個文件中讀取一行。

因為你說它需要保持返回行直到讀取所有輸入文件，它才會返回到達結尾的輸入文件的虛擬值。 它會一直讀取行，直到完成所有輸入文件。

此外，該程序只需要在內存中一次保持一行。 因此它甚至可以處理大型CSV文件而無需太多內存。

最初我丟失數據的虛擬值為-1。 現在我看到你添加了一個例子，你只想要沒有價值。 當沒有數據時，我已經將程序從使用-1更改為使用空字符串。

其中一個設計目標是使其可擴展。 現在你需要前兩列，但如果你以后需要其中一個文件中的第0列，第3列和第7列呢？ 因此每個文件都有一個列表，其中包含要采用的列。

我實際上並沒有編寫代碼來將輸出文件重命名為原始文件名，但這很容易添加。

理想情況下，這整個事情將被包裝到一個類中，您可以在其中迭代一個類實例並使用所有輸入文件中的列返回一行。 我沒有花費額外的時間來做這件事，但如果你長期使用它，你可能想要這樣做。 此外，我從不打擾關閉任何輸入文件，因為我認為程序將在我們編寫輸出文件后結束，然后一切都會關閉; 但理想情況下，我們應該在使用它們后關閉所有文件！

import csv

fname_in = "combined.csv"
fname_out = "combined.tmp"

lst_other_fnames = [str(x) + ".csv" for x in range(1, 3)]

no_data = ''
def _no_data_list(columns):
    return [no_data for _ in columns]

class DataCsvFile(object):
    def __init__(self, fname, columns=None):
        self.fname = fname
        self.f = open(fname)
        self.reader = csv.reader(self.f)
        self.columns = columns
        self.done = False
    def next_columns(self):
        if self.done:
            return _no_data_list(self.columns)

        try:
            item = next(self.reader)
        except StopIteration:
            self.done = True
            return _no_data_list(self.columns)

        return [item[i] for i in self.columns]

# want all columns from original file
data_csv_files = [DataCsvFile(fname_in, range(5))]

# build list of filenames and columns: want first two columns from each
data_csv_files.extend(DataCsvFile(fname, range(2)) for fname in lst_other_fnames)


with open(fname_out, "w") as out_f:
    writer = csv.writer(out_f)

    while True:
        values = []
        for df in data_csv_files:
            columns = df.next_columns()
            values.extend(columns)
        if not all(df.done for df in data_csv_files):
            writer.writerow(values)
        else:
            break

Answer 4

這是一個例子（為了簡單起見，我使用字符串io而不是文件，但這不是必需的）：

a = u"""
1,a
2,b
3,c
4,d
"""
b = u"""
5,e
6,f
7,g
8,h
9,i
"""
c = u"""
11,x
12,y
13,z
"""

import io, csv, itertools

data = []
expand = lambda it, size: it + [[''] * len(it[0])] * size

for f in [a, b, c]:
    with io.StringIO(f.strip()) as fp:
        d = list(csv.reader(fp))
        t = len(d) - len(data)
        data = d if not data else [
            x + y for x, y in itertools.izip_longest(
                expand(data, t), expand(d, -t))]

for r in data:
    print ','.join(r)    

# 1,a,5,e,11,x
# 2,b,6,f,12,y
# 3,c,7,g,13,z
# 4,d,8,h,,
# ,,9,i,,

使用真實文件（名為1.csv，2.csv等），主循環將如下所示：

for n in range(...):
    with open(str(n) + '.csv') as fp:
        d = list(csv.reader(fp))
        t = len(d) - len(data)
        data = d if not data else [
            x + y for x, y in itertools.izip_longest(
                expand(data, t), expand(d, -t))]