python-3.x - 如何使 pandas read_csv 处理 numpy str(或 unicode)标量数据类型

Question

每当我读取包含一列字符串的 CSV 文件时，我发现默认情况下 pandas 会将其 dtype 指定为 object 。我尝试使用 mydf['mycol'].astype(str) 更改列 mycol 的 dtype 从 object 到 str，但它不起作用 - 它没有给我一个错误，但同时，dtype 保持不变。

我读到 pandas 是在 numpy 之上构建的，并且 numpy 允许 str_ 和unicode_ see here: numpy scalar types 。我不太熟悉 pandas 的内部工作原理，也不熟悉 numpy 一般来说。

1. 使用 pandas.io.parsers.read_csv 时，我可以做些什么来确保 CSV 文件中的一列字符串被读取为 dtype str 而不是 object？

更具体地说，我需要使用哪些参数(来自下面给出的参数)来实现此目的？

pandas.io.parsers.read_csv(filepath_or_buffer, sep=', ', dialect=None, 
   compression=None, doublequote=True, escapechar=None, quotechar='"', quoting=0, 
   skipinitialspace=False, lineterminator=None, header='infer', index_col=None, 
   names=None, prefix=None, skiprows=None, skipfooter=None, skip_footer=0, 
   na_values=None, na_fvalues=None, true_values=None, false_values=None, 
   delimiter=None, converters=None, dtype=None, usecols=None, engine=None, 
   delim_whitespace=False, as_recarray=False, na_filter=True, compact_ints=False, 
   use_unsigned=False, low_memory=True, buffer_lines=None, warn_bad_lines=True, 
   error_bad_lines=True, keep_default_na=True, thousands=None, comment=None, 
   decimal='.', parse_dates=False, keep_date_col=False, dayfirst=False, 
   date_parser=None, memory_map=False, float_precision=None, nrows=None, 
   iterator=False, chunksize=None, verbose=False, encoding=None, squeeze=False, 
   mangle_dupe_cols=True, tupleize_cols=False, infer_datetime_format=False, 
   skip_blank_lines=True)

有些相关:pandas.io.parsers.read_csv 的参数中是否有任何变量/标志可以自动从字符串列中读取丢失的字符串作为 '' (空字符串)而不是将丢失的字符串读取为 nan？

此外，文档中未描述许多可以传递给 pandas.io.parsers.read_csv 的参数:pandas.io.parsers.read_csv.html例如na_fvalues、use_unsigned、compact_ints等。除了阅读代码(有点长)之外，还有什么其他的吗？哪里有所有参数的更详细文档？

Answer 1

这是 Wes 做出的一项技术决定，不使用 numpy 的字符串数据类型:Numpy 将所有字符串分配为相同的大小。

在大多数现实世界的用例中，字符串的大小并不固定，而且通常有一些字符串非常长。分配一个非常大的连续内存块是浪费的(IIRC， 与直觉相反，可能会更慢!)将它们存储为固定大小:

In [11]: np.array(["ab", "a"])  # The 2 is the length
Out[11]:
array(['ab', 'a'],
      dtype='|S2')

In [12]: np.array(['this is a very long string', 'a', 'b', 'c'])
Out[12]:
array(['this is a very long string', 'a', 'b', 'c'],
      dtype='|S26')

---

举一个愚蠢的例子，我们可以看到一个对象数据类型占用更少内存的例子:

In [21]: a = np.array(['a'] * 99 + ['this is a very long string, really really really really really long, oh yes'])

In [22]: a.nbytes
Out[22]: 7500

In [23]: b = a.astype(object)

In [24]: b.nbytes + sum(sys.getsizeof(item) for item in b)
Out[24]: 4674

---

numpy 字符串还有一些“令人惊讶”的行为(也是由于它们的布局):

In [31]: a = np.array(['ab', 'c'])

In [32]: a[1] = 'def'

In [33]: a  # what the f?
Out[33]:
array(['ab', 'de'],
      dtype='|S2')

如果您想修复此行为 - 并保留 numpy 字符串 dtype - 您必须为每个作业创建一个副本。 (使用对象数组，您可以免费获得此功能:只需更改指针即可。)

---

因此，pandas 字符串是使用对象数据类型存储的。

注意:我认为文档中有一部分讨论了此决定，但我似乎找不到它......