Pandas直接读取arff格式的文件,这种需求还是头一次碰到!

共 6478字,需浏览 13分钟

 ·

2021-05-05 05:13

作者/小小明
来源/快学Python

常规arff文件读取

之前有位群友遇到了arff格式的数据,却不知道怎么读取:

然后我让这位群友把文件发我,给我分析一下,我用文件编辑器打开后,发现格式如下:
只是一个文本文本而已,解析文本文件我实在太擅长了。可以看到:
  • 编码是utf-8
  • 列名都在以@attribute开头的行
  • 数据在@data的后面的部分 理解了这三点,我马上就能用pandas直接读取它,下面看看代码:
import pandas as pd

with open("adult_census_19210979.arff", encoding="utf-8"as f:
    header = []
    for line in f:
        if line.startswith("@attribute"):
            header.append(line.split()[1])
        elif line.startswith("@data"):
            break
    df = pd.read_csv(f, header=None)
    df.columns = header
df

结果如下:

为了后续使用方便,我们可以将上面的代码封装成函数:
def read_arrf(file):
    with open(file, encoding="utf-8"as f:
        header = []
        for line in f:
            if line.startswith("@attribute"):
                header.append(line.split()[1])
            elif line.startswith("@data"):
                break
        df = pd.read_csv(f, header=None)
        df.columns = header
    return df

这样,读取任何arrf文件都方便,只需要直接传入即可:

read_arrf("adult_census_19210979.arff")
然后我得到了:
不过其实scipy已经含有读取这种常规的arff文件的方法:
import pandas as pd
from scipy.io import arff

data, _ = arff.loadarff("adult_census_19210979.arff")
df = pd.DataFrame(data)
df
结果如下:
不一样的地方主要在于字符串都会读成字节的形式。

稀疏矩阵形式的arff文件读取

这只是开胃小菜,昨天有位即将从电子科技大学毕业的网友联系到我,说arff文件不仅仅只有上面的存储形式,还有以稀疏矩阵的格式存储的。

数据文件来源:http://sites.labic.icmc.usp.br/text_collections/?C=D;O=A

例如:
以稀疏矩阵形式存储时,存储格式是指定位置存对应的值(空格分割)。

最终完整的读取代码为:

import pandas as pd


def read_sparse_arrf(file):
    with open(file, encoding="utf-8"as f:
        header = []
        default_field = {}
        field_num = 0
        for line in f:
            if line.startswith("@attribute"or line.startswith("@ATTRIBUTE"):
                _, name, field_type = line.split()
                header.append(name)
                if field_type.startswith("{"):
                    default_field[field_num] = field_type[1:-1].split(",")[0]
                field_num += 1
            elif line.startswith("@data"or line.startswith("@DATA"):
                break
        default_field_keys = set(default_field.keys())
        width = len(header)
        data = []
        for line in f:
            line = line.strip()
            if not line:
                continue
            tmp = [0]*width
            flags = set()
            for kv in line[1:-1].split(","):
                k, v = kv.split()
                k = int(k)
                if k not in default_field_keys:
                    v = int(v)
                flags.add(k)
                tmp[k] = v
            for k in default_field_keys-flags:
                tmp[k] = default_field[k]
            data.append(tmp)
    return pd.DataFrame(data, columns=header)

测试读取:

df = read_sparse_arrf("CSTR_sparse.arff")
df
结果如下:
df = read_sparse_arrf("CSTR_sparse.arff")
df
结果如下:
df = read_sparse_arrf("oh15.arff")
df
结果如下:
注意:上面代码假设了稀疏矩阵形式的arrf文件,非{}可选形式,均为数值类型。

最终这位朋友对结果还挺满意的:我感觉要感谢这个朋友指出我没有碰到过的这种arrf格式。

推荐阅读


Pandas处理数据太慢,来试试Polars吧!
懒人必备!只需一行代码,就能导入所有的Python库
绝!关于pip的15个使用小技巧
介绍10个常用的Python内置函数,99.99%的人都在用!
可能是全网最完整的 Python 操作 Excel库总结!

浏览 35
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报