Импорт нескольких файлов csv в pandas и объединение в один фрейм данных

альтернатива darindaCoder это:

path = r'C:\DRO\DCL_rawdata_files'                     # use your path
all_files = glob.glob(os.path.join(path, "*.csv"))     # advisable to use os.path.join as this makes concatenation OS independent

df_from_each_file = (pd.read_csv(f) for f in all_files)
concatenated_df   = pd.concat(df_from_each_file, ignore_index=True)
# doesn't create a list, nor does it append to one

import glob, os    
df = pd.concat(map(pd.read_csv, glob.glob(os.path.join('', "my_files*.csv"))))

Edit: я погуглил свой путь в https://stackoverflow.com/a/21232849/186078. Однако в последнее время я нахожу, что быстрее выполнять любые манипуляции с помощью numpy, а затем назначать его один раз в dataframe, а не манипулировать самим dataframe на итерационной основе, и, похоже, он тоже работает в этом решении.

Я искренне хочу, чтобы кто-нибудь, попав на эту страницу, рассмотрел этот подход, но не хочу прикреплять этот огромный кусок кода в качестве комментария и делать его меньше читаемый.

вы можете использовать numpy, чтобы действительно ускорить конкатенацию фреймов данных.

import os
import glob
import pandas as pd
import numpy as np

path = "my_dir_full_path"
allFiles = glob.glob(os.path.join(path,"*.csv"))


np_array_list = []
for file_ in allFiles:
    df = pd.read_csv(file_,index_col=None, header=0)
    np_array_list.append(df.as_matrix())

comb_np_array = np.vstack(np_array_list)
big_frame = pd.DataFrame(comb_np_array)

big_frame.columns = ["col1","col2"....]

сроки статистика:

total files :192
avg lines per file :8492
--approach 1 without numpy -- 8.248656988143921 seconds ---
total records old :1630571
--approach 2 with numpy -- 2.289292573928833 seconds ---

библиотека Dask может считывать фрейм данных из нескольких файлов:

>>> import dask.dataframe as dd
>>> df = dd.read_csv('data*.csv')

(источник: http://dask.pydata.org/en/latest/examples/dataframe-csv.html)

фреймы данных Dask реализуют подмножество API фреймов данных Pandas. Если все данные помещаются в память, вы можете вызов df.compute() для преобразования фрейма данных в фрейм данных Pandas.

если вы хотите поиск рекурсивно (Python 3.5 или выше), вы можете сделать следующее:

from glob import iglob
import pandas as pd

path = r'C:\user\your\path\**\*.csv'

all_rec = iglob(path, recursive=True)     
dataframes = (pd.read_csv(f) for f in all_rec)
big_dataframe = pd.concat(dataframes, ignore_index=True)

обратите внимание, что три последние строки могут быть выражены в одном один строка:

df = pd.concat((pd.read_csv(f) for f in iglob(path, recursive=True)), ignore_index=True)

вы можете найти документацию **здесь. Кроме того, я использовал iglobвместо glob, так как он возвращает итератор вместо списка.

---

---

изменить: Мультиплатформенная рекурсивная функция:

вы можете обернуть выше в мультиплатформа функция (Linux, Windows, Mac), так что вы можете сделать:

df = read_df_rec('C:\user\your\path', *.csv)

вот функция:

from glob import iglob
from os.path import join
import pandas as pd

def read_df_rec(path, fn_regex=r'*.csv'):
    return pd.concat((pd.read_csv(f) for f in iglob(
        join(path, '**', fn_regex), recursive=True)), ignore_index=True)

если несколько файлов csv заархивированы, вы можете использовать zipfile для чтения всех и объединения, как показано ниже:

import zipfile
import numpy as np
import pandas as pd

ziptrain = zipfile.ZipFile('yourpath/yourfile.zip')

train=[]

for f in range(0,len(ziptrain.namelist())):
    if (f == 0):
        train = pd.read_csv(ziptrain.open(ziptrain.namelist()[f]))
    else:
        my_df = pd.read_csv(ziptrain.open(ziptrain.namelist()[f]))
        train = (pd.DataFrame(np.concatenate((train,my_df),axis=0), 
                          columns=list(my_df.columns.values)))

filepaths = ['data/d1.csv', 'data/d2.csv','data/d3.csv','data/d4.csv']
df = pd.concat(map(pd.read_csv, filepaths))