使用“从Pandas读取csv”时，为特定列设置数据类型

Question

我有一个很大的csv文件（~10GB），大约有4000列。我知道我期望的大多数数据是int8，因此我设置：

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位）是int32，我是否可以告诉read_csv默认使用int8，在第4000列，使用int32

多谢各位

Answer 1

由于没有标题，列名是它们出现的整数顺序，即第一列是df[0]。要以编程方式将最后一列设置为int32，您可以读取文件的第一行以获取数据帧的宽度，然后构建一个整数类型字典，使用列数作为键

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)

Answer 2

如果您确定了数字，您可以像这样重新创建字典：

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

考虑到这是可行的：

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

从文档中：

dtype : Type name or dict of column -> type, default None

Data type for data or columns. E.g. {‘a’: np.float64, ‘b’: np.int32} Use str or object to preserve and not interpret dtype. If converters are specified, they will be applied INSTEAD of dtype conversion.