将多个CSV文件的列合并为一个文件

Question

我有一堆CSV文件（下面的例子只有两个）。每个CSV文件有6列。我想打开每个CSV文件，复制前两列，然后把它们作为新列添加到一个已有的CSV文件中。

到目前为止，我做了：

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

这个方法能用，虽然看起来不太好，但确实能工作。不过，我有三个小烦恼：

1. 我每个CSV文件要打开两次（每列一次），这实在不太优雅。

2. 当我打印combined.csv文件时，每行后面会多出一个空行？

3. 我必须提供一个combined.csv文件，它的行数至少要和我可能有的最大文件一样多。因为我并不知道这个数字到底是多少，这让我很烦。

像往常一样，任何帮助都非常感谢！！

应要求，1.csv的内容是（模拟数据）

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

2.csv的内容是

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

合并后的combined.csv文件应该是这样的

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

Answer 1

这是我写的一个程序，用来解决你的问题。它创建了一个类，这个类保存了每个要读取的CSV文件的信息，包括你想要的哪些列。然后，它简单地列出了要读取的CSV文件，并从每个文件中读取一行。

因为你提到需要持续返回行，直到所有输入文件都读取完，所以对于已经到达末尾的输入文件，它会返回一些占位符值。它会一直读取行，直到所有的输入文件都处理完。

另外，这个程序一次只需要在内存中保存一行数据。所以即使是很大的CSV文件，它也能处理，而不需要太多内存。

最开始我用-1作为缺失数据的占位符。现在我看到你添加了一个例子，你只是想要没有值。我已经把程序从使用-1改成了在没有数据时使用空字符串。

设计这个程序时的一个目标是让它可以扩展。目前你需要前两列，但如果将来你需要从某个文件中提取第0、3和7列呢？所以每个文件都有一个列的列表，指定要提取哪些列。

我实际上没有写代码来将输出文件重命名为原始文件名，但这很容易添加。

理想情况下，这整个程序应该封装成一个类，你可以遍历这个类的实例，得到一行数据，这行数据是由所有输入文件的列组合而成的。我没有花额外的时间去做这件事，但如果你打算长期使用这个程序，可能想要这样做。另外，我也没有关闭任何输入文件，因为我认为程序在写完输出文件后就会结束，所有文件会自动关闭；但理想情况下，我们应该在使用完文件后关闭它们！

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 2

现在，似乎每当有人在Python中处理数据时，几乎都得给出一个基于pandas的解决方案。所以这是我的解决方案：

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)

对于这些文件

~/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

得到的结果是

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

我认为这是正确的对齐方式。

Answer 3

---

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_row.extend(['']*2)#This extends two empty columns
        writer.writerow(combined_row)
        
for f in handles:
    f.close()

这一行代码 for rows in IT.izip_longest(*readers, fillvalue=['']*2): 可以通过一个例子来理解：

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)]

你可以看到，IT.izip_longest 的工作方式和 zip 很像，但它不会在最短的列表用完时就停止，而是会一直运行到最长的列表用完为止。默认情况下，它会用 None 来填补缺失的项。

那么如果 readers 中有超过3个项目会发生什么呢？ 我们可能想写

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

但这样写起来很麻烦，而且如果我们事先不知道 len(readers) 的值，我们甚至无法把省略号（...）替换成具体的内容。

Python 有一个解决方案：星号（也叫参数解包）语法：

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

注意结果 Out[4] 和结果 Out[3] 是完全一样的。

*readers 告诉 Python 要把 readers 中的项目拆开，作为单独的参数传递给 IT.izip_longest。这就是 Python 如何让我们向一个函数传递任意数量的参数的方式。