Python csv mencetak baris tertentu

Tutorial ini menggunakan kumpulan data Titanic, yang disimpan sebagai CSV. Data terdiri dari kolom data berikut

Table of Contents Show

Bagaimana cara memilih kolom tertentu dari In [4]: ages = titanic["Age"] In [5]: ages.head() Out[5]: 0 22.0 1 38.0 2 26.0 3 35.0 4 35.0 Name: Age, dtype: float64 3?
Bagaimana cara memfilter baris tertentu dari In [4]: ages = titanic["Age"] In [5]: ages.head() Out[5]: 0 22.0 1 38.0 2 26.0 3 35.0 4 35.0 Name: Age, dtype: float64 3?
Bagaimana cara memilih baris dan kolom tertentu dari In [4]: ages = titanic["Age"] In [5]: ages.head() Out[5]: 0 22.0 1 38.0 2 26.0 3 35.0 4 35.0 Name: Age, dtype: float64 3?
Bagaimana cara mencetak baris tertentu dalam file CSV dengan python?
Bagaimana cara membaca baris tertentu dari file CSV di panda?
Bagaimana cara mencetak kolom tertentu dalam file CSV dengan python?
Bagaimana cara membaca file CSV dari baris tertentu dengan python?

Id Penumpang. identitas setiap penumpang

Selamat. Indikasi apakah penumpang selamat.

In [2]: titanic = pd.read_csv("data/titanic.csv")

In [3]: titanic.head()
Out[3]: 
   PassengerId  Survived  Pclass  ..     Fare Cabin  Embarked
0            1         0       3  ..   7.2500   NaN         S
1            2         1       1  ..  71.2833   C85         C
2            3         1       3  ..   7.9250   NaN         S
3            4         1       1  ..  53.1000  C123         S
4            5         0       3  ..   8.0500   NaN         S

[5 rows x 12 columns]

8 untuk ya dan

In [2]: titanic = pd.read_csv("data/titanic.csv")

In [3]: titanic.head()
Out[3]: 
   PassengerId  Survived  Pclass  ..     Fare Cabin  Embarked
0            1         0       3  ..   7.2500   NaN         S
1            2         1       1  ..  71.2833   C85         C
2            3         1       3  ..   7.9250   NaN         S
3            4         1       1  ..  53.1000  C123         S
4            5         0       3  ..   8.0500   NaN         S

[5 rows x 12 columns]

9 untuk tidak

Pclass. Satu dari 3 kelas tiket. Kelas

In [2]: titanic = pd.read_csv("data/titanic.csv")

In [3]: titanic.head()
Out[3]: 
   PassengerId  Survived  Pclass  ..     Fare Cabin  Embarked
0            1         0       3  ..   7.2500   NaN         S
1            2         1       1  ..  71.2833   C85         C
2            3         1       3  ..   7.9250   NaN         S
3            4         1       1  ..  53.1000  C123         S
4            5         0       3  ..   8.0500   NaN         S

[5 rows x 12 columns]

_9, Kelas

In [4]: ages = titanic["Age"]

In [5]: ages.head()
Out[5]: 
0    22.0
1    38.0
2    26.0
3    35.0
4    35.0
Name: Age, dtype: float64

1 dan Kelas

In [4]: ages = titanic["Age"]

In [5]: ages.head()
Out[5]: 
0    22.0
1    38.0
2    26.0
3    35.0
4    35.0
Name: Age, dtype: float64

Nama. Nama penumpang
Seks. Jenis kelamin penumpang
Usia. Usia penumpang dalam tahun
SibSp. Jumlah saudara kandung atau pasangan di atas kapal
Memanggang. Jumlah orang tua atau anak di atas kapal
Tiket. Nomor tiket penumpang
Tarif. Menunjukkan tarif
Kabin. Nomor kabin penumpang
Memulai. Pelabuhan pemberangkatan

Untuk data mentah

In [2]: titanic = pd.read_csv("data/titanic.csv")

In [3]: titanic.head()
Out[3]: 
   PassengerId  Survived  Pclass  ..     Fare Cabin  Embarked
0            1         0       3  ..   7.2500   NaN         S
1            2         1       1  ..  71.2833   C85         C
2            3         1       3  ..   7.9250   NaN         S
3            4         1       1  ..  53.1000  C123         S
4            5         0       3  ..   8.0500   NaN         S

[5 rows x 12 columns]

Bagaimana cara memilih subset dari

In [4]: ages = titanic["Age"]

In [5]: ages.head()
Out[5]: 
0    22.0
1    38.0
2    26.0
3    35.0
4    35.0
Name: Age, dtype: float64

Bagaimana cara memilih kolom tertentu dari In [4]: ages = titanic["Age"] In [5]: ages.head() Out[5]: 0 22.0 1 38.0 2 26.0 3 35.0 4 35.0 Name: Age, dtype: float64 3?

Saya tertarik dengan usia penumpang Titanic

In [4]: ages = titanic["Age"]

In [5]: ages.head()
Out[5]: 
0    22.0
1    38.0
2    26.0
3    35.0
4    35.0
Name: Age, dtype: float64

Untuk memilih satu kolom, gunakan tanda kurung siku

In [4]: ages = titanic["Age"]

In [5]: ages.head()
Out[5]: 
0    22.0
1    38.0
2    26.0
3    35.0
4    35.0
Name: Age, dtype: float64

5 dengan nama kolom dari kolom yang diminati

Setiap kolom dalam a adalah a. Saat satu kolom dipilih, objek yang dikembalikan adalah panda. Kami dapat memverifikasi ini dengan memeriksa jenis output

In [6]: type(titanic["Age"])
Out[6]: pandas.core.series.Series

Dan lihat

In [4]: ages = titanic["Age"]

In [5]: ages.head()
Out[5]: 
0    22.0
1    38.0
2    26.0
3    35.0
4    35.0
Name: Age, dtype: float64

9 dari output

In [7]: titanic["Age"].shape
Out[7]: (891,)

adalah atribut (ingat, jangan gunakan tanda kurung untuk atribut) dari panda

In [4]: ages = titanic["Age"]

In [5]: ages.head()
Out[5]: 
0    22.0
1    38.0
2    26.0
3    35.0
4    35.0
Name: Age, dtype: float64

7 dan

In [4]: ages = titanic["Age"]

In [5]: ages.head()
Out[5]: 
0    22.0
1    38.0
2    26.0
3    35.0
4    35.0
Name: Age, dtype: float64

3 berisi jumlah baris dan kolom. (nrows, ncolumns). Seri panda adalah 1 dimensi dan hanya jumlah baris yang dikembalikan

Saya tertarik dengan usia dan jenis kelamin penumpang Titanic

In [8]: age_sex = titanic[["Age", "Sex"]]

In [9]: age_sex.head()
Out[9]: 
    Age     Sex
0  22.0    male
1  38.0  female
2  26.0  female
3  35.0  female
4  35.0    male

Untuk memilih beberapa kolom, gunakan daftar nama kolom di dalam tanda kurung pilihan

In [4]: ages = titanic["Age"]

In [5]: ages.head()
Out[5]: 
0    22.0
1    38.0
2    26.0
3    35.0
4    35.0
Name: Age, dtype: float64

Catatan

Tanda kurung dalam mendefinisikan a dengan nama kolom, sedangkan tanda kurung luar digunakan untuk memilih data dari panda

In [4]: ages = titanic["Age"]

In [5]: ages.head()
Out[5]: 
0    22.0
1    38.0
2    26.0
3    35.0
4    35.0
Name: Age, dtype: float64

3 seperti yang terlihat pada contoh sebelumnya

Tipe data yang dikembalikan adalah DataFrame panda

In [10]: type(titanic[["Age", "Sex"]])
Out[10]: pandas.core.frame.DataFrame

In [11]: titanic[["Age", "Sex"]].shape
Out[11]: (891, 2)

Pemilihan mengembalikan

In [4]: ages = titanic["Age"]

In [5]: ages.head()
Out[5]: 
0    22.0
1    38.0
2    26.0
3    35.0
4    35.0
Name: Age, dtype: float64

_3 dengan 891 baris dan 2 kolom. Ingat,

In [4]: ages = titanic["Age"]

In [5]: ages.head()
Out[5]: 
0    22.0
1    38.0
2    26.0
3    35.0
4    35.0
Name: Age, dtype: float64

3 adalah 2 dimensi dengan dimensi baris dan kolom

Ke panduan pengguna

Untuk informasi dasar tentang pengindeksan, lihat bagian panduan pengguna di

Bagaimana cara memfilter baris tertentu dari In [4]: ages = titanic["Age"] In [5]: ages.head() Out[5]: 0 22.0 1 38.0 2 26.0 3 35.0 4 35.0 Name: Age, dtype: float64 3?

Saya tertarik dengan penumpang yang berusia lebih dari 35 tahun

In [12]: above_35 = titanic[titanic["Age"] > 35]

In [13]: above_35.head()
Out[13]: 
    PassengerId  Survived  Pclass  ..     Fare Cabin  Embarked
1             2         1       1  ..  71.2833   C85         C
6             7         0       1  ..  51.8625   E46         S
11           12         1       1  ..  26.5500  C103         S
13           14         0       3  ..  31.2750   NaN         S
15           16         1       2  ..  16.0000   NaN         S

[5 rows x 12 columns]

Untuk memilih baris berdasarkan ekspresi bersyarat, gunakan kondisi di dalam tanda kurung pilihan

In [4]: ages = titanic["Age"]

In [5]: ages.head()
Out[5]: 
0    22.0
1    38.0
2    26.0
3    35.0
4    35.0
Name: Age, dtype: float64

Kondisi di dalam tanda kurung pilihan

In [6]: type(titanic["Age"])
Out[6]: pandas.core.series.Series

_9 memeriksa baris mana dari kolom

In [7]: titanic["Age"].shape
Out[7]: (891,)

0 yang memiliki nilai lebih besar dari 35

In [14]: titanic["Age"] > 35
Out[14]: 
0      False
1       True
2      False
3      False
4      False
       ..  
886    False
887    False
888    False
889    False
890    False
Name: Age, Length: 891, dtype: bool

Output dari ekspresi bersyarat (

In [7]: titanic["Age"].shape
Out[7]: (891,)

_1, tetapi juga

In [7]: titanic["Age"].shape
Out[7]: (891,)

In [7]: titanic["Age"].shape
Out[7]: (891,)

In [7]: titanic["Age"].shape
Out[7]: (891,)

In [7]: titanic["Age"].shape
Out[7]: (891,)

5,… akan bekerja) sebenarnya adalah panda

In [4]: ages = titanic["Age"]

In [5]: ages.head()
Out[5]: 
0    22.0
1    38.0
2    26.0
3    35.0
4    35.0
Name: Age, dtype: float64

7 dari nilai boolean (baik

In [7]: titanic["Age"].shape
Out[7]: (891,)

7 atau

In [7]: titanic["Age"].shape
Out[7]: (891,)

12___3 sebagai __3 baris).

In [4]: ages = titanic["Age"]

In [5]: ages.head()
Out[5]: 
0    22.0
1    38.0
2    26.0
3    35.0
4    35.0
Name: Age, dtype: float64

_7 nilai boolean seperti itu dapat digunakan untuk memfilter

In [4]: ages = titanic["Age"]

In [5]: ages.head()
Out[5]: 
0    22.0
1    38.0
2    26.0
3    35.0
4    35.0
Name: Age, dtype: float64

3 dengan meletakkannya di antara tanda kurung pilihan

In [4]: ages = titanic["Age"]

In [5]: ages.head()
Out[5]: 
0    22.0
1    38.0
2    26.0
3    35.0
4    35.0
Name: Age, dtype: float64

5. Hanya baris yang nilainya

In [7]: titanic["Age"].shape
Out[7]: (891,)

7 yang akan dipilih

Kita tahu sebelumnya bahwa Titanic

In [4]: ages = titanic["Age"]

In [5]: ages.head()
Out[5]: 
0    22.0
1    38.0
2    26.0
3    35.0
4    35.0
Name: Age, dtype: float64

3 asli terdiri dari 891 baris. Mari kita lihat jumlah baris yang memenuhi syarat dengan mencentang atribut

In [4]: ages = titanic["Age"]

In [5]: ages.head()
Out[5]: 
0    22.0
1    38.0
2    26.0
3    35.0
4    35.0
Name: Age, dtype: float64

9 dari hasil

In [4]: ages = titanic["Age"]

In [5]: ages.head()
Out[5]: 
0    22.0
1    38.0
2    26.0
3    35.0
4    35.0
Name: Age, dtype: float64

In [8]: age_sex = titanic[["Age", "Sex"]]

In [9]: age_sex.head()
Out[9]: 
    Age     Sex
0  22.0    male
1  38.0  female
2  26.0  female
3  35.0  female
4  35.0    male

In [2]: titanic = pd.read_csv("data/titanic.csv")

In [3]: titanic.head()
Out[3]: 
   PassengerId  Survived  Pclass  ..     Fare Cabin  Embarked
0            1         0       3  ..   7.2500   NaN         S
1            2         1       1  ..  71.2833   C85         C
2            3         1       3  ..   7.9250   NaN         S
3            4         1       1  ..  53.1000  C123         S
4            5         0       3  ..   8.0500   NaN         S

[5 rows x 12 columns]

Saya tertarik dengan penumpang Titanic dari kabin kelas 2 dan 3

In [2]: titanic = pd.read_csv("data/titanic.csv")

In [3]: titanic.head()
Out[3]: 
   PassengerId  Survived  Pclass  ..     Fare Cabin  Embarked
0            1         0       3  ..   7.2500   NaN         S
1            2         1       1  ..  71.2833   C85         C
2            3         1       3  ..   7.9250   NaN         S
3            4         1       1  ..  53.1000  C123         S
4            5         0       3  ..   8.0500   NaN         S

[5 rows x 12 columns]

Mirip dengan ekspresi kondisional, fungsi kondisional mengembalikan

In [7]: titanic["Age"].shape
Out[7]: (891,)

7 untuk setiap baris nilai dalam daftar yang disediakan. Untuk memfilter baris berdasarkan fungsi tersebut, gunakan fungsi kondisional di dalam tanda kurung pilihan

In [4]: ages = titanic["Age"]

In [5]: ages.head()
Out[5]: 
0    22.0
1    38.0
2    26.0
3    35.0
4    35.0
Name: Age, dtype: float64

5. Dalam hal ini, kondisi di dalam tanda kurung pilihan

In [10]: type(titanic[["Age", "Sex"]])
Out[10]: pandas.core.frame.DataFrame

1 memeriksa baris mana dari kolom

In [10]: type(titanic[["Age", "Sex"]])
Out[10]: pandas.core.frame.DataFrame

2 adalah 2 atau 3

Di atas sama dengan memfilter menurut baris yang kelasnya adalah 2 atau 3 dan menggabungkan dua pernyataan dengan operator

In [10]: type(titanic[["Age", "Sex"]])
Out[10]: pandas.core.frame.DataFrame

3 (atau)

In [2]: titanic = pd.read_csv("data/titanic.csv")

In [3]: titanic.head()
Out[3]: 
   PassengerId  Survived  Pclass  ..     Fare Cabin  Embarked
0            1         0       3  ..   7.2500   NaN         S
1            2         1       1  ..  71.2833   C85         C
2            3         1       3  ..   7.9250   NaN         S
3            4         1       1  ..  53.1000  C123         S
4            5         0       3  ..   8.0500   NaN         S

[5 rows x 12 columns]

Catatan

Saat menggabungkan beberapa pernyataan bersyarat, setiap kondisi harus diapit oleh tanda kurung

In [10]: type(titanic[["Age", "Sex"]])
Out[10]: pandas.core.frame.DataFrame

4. Selain itu, Anda tidak dapat menggunakan

In [10]: type(titanic[["Age", "Sex"]])
Out[10]: pandas.core.frame.DataFrame

_5/

In [10]: type(titanic[["Age", "Sex"]])
Out[10]: pandas.core.frame.DataFrame

6 tetapi perlu menggunakan operator

In [10]: type(titanic[["Age", "Sex"]])
Out[10]: pandas.core.frame.DataFrame

In [10]: type(titanic[["Age", "Sex"]])
Out[10]: pandas.core.frame.DataFrame

3 dan operator

In [10]: type(titanic[["Age", "Sex"]])
Out[10]: pandas.core.frame.DataFrame

In [11]: titanic[["Age", "Sex"]].shape
Out[11]: (891, 2)

Ke panduan pengguna

Lihat bagian khusus dalam panduan pengguna tentang atau tentang

Saya ingin bekerja dengan data penumpang yang usianya diketahui

In [2]: titanic = pd.read_csv("data/titanic.csv")

In [3]: titanic.head()
Out[3]: 
   PassengerId  Survived  Pclass  ..     Fare Cabin  Embarked
0            1         0       3  ..   7.2500   NaN         S
1            2         1       1  ..  71.2833   C85         C
2            3         1       3  ..   7.9250   NaN         S
3            4         1       1  ..  53.1000  C123         S
4            5         0       3  ..   8.0500   NaN         S

[5 rows x 12 columns]

Fungsi bersyarat mengembalikan

In [7]: titanic["Age"].shape
Out[7]: (891,)

_7 untuk setiap baris nilainya bukan nilai

In [11]: titanic[["Age", "Sex"]].shape
Out[11]: (891, 2)

3. Dengan demikian, ini dapat digabungkan dengan tanda kurung pilihan

In [4]: ages = titanic["Age"]

In [5]: ages.head()
Out[5]: 
0    22.0
1    38.0
2    26.0
3    35.0
4    35.0
Name: Age, dtype: float64

5 untuk memfilter tabel data

Anda mungkin bertanya-tanya apa yang sebenarnya berubah, karena 5 baris pertama masih memiliki nilai yang sama. Salah satu cara untuk memverifikasi adalah dengan memeriksa apakah bentuknya telah berubah

In [2]: titanic = pd.read_csv("data/titanic.csv")

In [3]: titanic.head()
Out[3]: 
   PassengerId  Survived  Pclass  ..     Fare Cabin  Embarked
0            1         0       3  ..   7.2500   NaN         S
1            2         1       1  ..  71.2833   C85         C
2            3         1       3  ..   7.9250   NaN         S
3            4         1       1  ..  53.1000  C123         S
4            5         0       3  ..   8.0500   NaN         S

[5 rows x 12 columns]

Ke panduan pengguna

Untuk fungsi khusus lainnya tentang nilai yang hilang, lihat bagian panduan pengguna tentang

Bagaimana cara memilih baris dan kolom tertentu dari In [4]: ages = titanic["Age"] In [5]: ages.head() Out[5]: 0 22.0 1 38.0 2 26.0 3 35.0 4 35.0 Name: Age, dtype: float64 3?

Saya tertarik dengan nama penumpang yang berusia lebih dari 35 tahun

In [2]: titanic = pd.read_csv("data/titanic.csv")

In [3]: titanic.head()
Out[3]: 
   PassengerId  Survived  Pclass  ..     Fare Cabin  Embarked
0            1         0       3  ..   7.2500   NaN         S
1            2         1       1  ..  71.2833   C85         C
2            3         1       3  ..   7.9250   NaN         S
3            4         1       1  ..  53.1000  C123         S
4            5         0       3  ..   8.0500   NaN         S

[5 rows x 12 columns]

Dalam hal ini, subhimpunan dari baris dan kolom dibuat sekaligus dan hanya menggunakan tanda kurung pilihan

In [4]: ages = titanic["Age"]

In [5]: ages.head()
Out[5]: 
0    22.0
1    38.0
2    26.0
3    35.0
4    35.0
Name: Age, dtype: float64

5 tidak cukup lagi. Operator

In [11]: titanic[["Age", "Sex"]].shape
Out[11]: (891, 2)

In [11]: titanic[["Age", "Sex"]].shape
Out[11]: (891, 2)

8 diperlukan di depan tanda kurung pilihan

In [4]: ages = titanic["Age"]

In [5]: ages.head()
Out[5]: 
0    22.0
1    38.0
2    26.0
3    35.0
4    35.0
Name: Age, dtype: float64

5. Saat menggunakan

In [11]: titanic[["Age", "Sex"]].shape
Out[11]: (891, 2)

In [11]: titanic[["Age", "Sex"]].shape
Out[11]: (891, 2)

8, bagian sebelum koma adalah baris yang Anda inginkan, dan bagian setelah koma adalah kolom yang ingin Anda pilih

Saat menggunakan nama kolom, label baris, atau ekspresi kondisi, gunakan operator

In [11]: titanic[["Age", "Sex"]].shape
Out[11]: (891, 2)

7 di depan tanda kurung pilihan

In [4]: ages = titanic["Age"]

In [5]: ages.head()
Out[5]: 
0    22.0
1    38.0
2    26.0
3    35.0
4    35.0
Name: Age, dtype: float64

5. Untuk bagian sebelum dan sesudah koma, Anda dapat menggunakan label tunggal, daftar label, irisan label, ekspresi bersyarat, atau titik dua. Menggunakan titik dua menentukan Anda ingin memilih semua baris atau kolom

Saya tertarik pada baris 10 sampai 25 dan kolom 3 sampai 5

In [2]: titanic = pd.read_csv("data/titanic.csv")

In [3]: titanic.head()
Out[3]: 
   PassengerId  Survived  Pclass  ..     Fare Cabin  Embarked
0            1         0       3  ..   7.2500   NaN         S
1            2         1       1  ..  71.2833   C85         C
2            3         1       3  ..   7.9250   NaN         S
3            4         1       1  ..  53.1000  C123         S
4            5         0       3  ..   8.0500   NaN         S

[5 rows x 12 columns]

Sekali lagi, subset dari baris dan kolom dibuat sekaligus dan hanya menggunakan tanda kurung pilihan

In [4]: ages = titanic["Age"]

In [5]: ages.head()
Out[5]: 
0    22.0
1    38.0
2    26.0
3    35.0
4    35.0
Name: Age, dtype: float64

5 tidak cukup lagi. Jika tertarik secara khusus pada baris dan/atau kolom tertentu berdasarkan posisinya dalam tabel, gunakan operator

In [11]: titanic[["Age", "Sex"]].shape
Out[11]: (891, 2)

8 di depan tanda kurung pilihan

In [4]: ages = titanic["Age"]

In [5]: ages.head()
Out[5]: 
0    22.0
1    38.0
2    26.0
3    35.0
4    35.0
Name: Age, dtype: float64

Saat memilih baris dan/atau kolom tertentu dengan

In [11]: titanic[["Age", "Sex"]].shape
Out[11]: (891, 2)

7 atau

In [11]: titanic[["Age", "Sex"]].shape
Out[11]: (891, 2)

8, nilai baru dapat diberikan ke data yang dipilih. Misalnya, untuk menetapkan nama

In [12]: above_35 = titanic[titanic["Age"] > 35]

In [13]: above_35.head()
Out[13]: 
    PassengerId  Survived  Pclass  ..     Fare Cabin  Embarked
1             2         1       1  ..  71.2833   C85         C
6             7         0       1  ..  51.8625   E46         S
11           12         1       1  ..  26.5500  C103         S
13           14         0       3  ..  31.2750   NaN         S
15           16         1       2  ..  16.0000   NaN         S

[5 rows x 12 columns]

_9 ke 3 elemen pertama dari kolom ketiga

In [2]: titanic = pd.read_csv("data/titanic.csv")

In [3]: titanic.head()
Out[3]: 
   PassengerId  Survived  Pclass  ..     Fare Cabin  Embarked
0            1         0       3  ..   7.2500   NaN         S
1            2         1       1  ..  71.2833   C85         C
2            3         1       3  ..   7.9250   NaN         S
3            4         1       1  ..  53.1000  C123         S
4            5         0       3  ..   8.0500   NaN         S

[5 rows x 12 columns]

Ke panduan pengguna

Lihat bagian panduan pengguna untuk mendapatkan lebih banyak wawasan tentang penggunaan

In [11]: titanic[["Age", "Sex"]].shape
Out[11]: (891, 2)

7 dan

In [11]: titanic[["Age", "Sex"]].shape
Out[11]: (891, 2)

INGAT

Saat memilih subset data, tanda kurung siku

In [4]: ages = titanic["Age"]

In [5]: ages.head()
Out[5]: 
0    22.0
1    38.0
2    26.0
3    35.0
4    35.0
Name: Age, dtype: float64

5 digunakan

Di dalam tanda kurung ini, Anda dapat menggunakan label kolom/baris tunggal, daftar label kolom/baris, irisan label, ekspresi bersyarat, atau tanda titik dua

Bagaimana cara mencetak baris tertentu dalam file CSV dengan python?

Langkah 1. Untuk membaca baris dalam Python, Pertama, kita perlu memuat file CSV dalam satu objek. Jadi untuk memuat file csv ke objek gunakan metode open(). Langkah 2. Buat objek pembaca dengan meneruskan objek file yang dibuat di atas ke fungsi pembaca. Langkah 3. Gunakan for loop pada objek pembaca untuk mendapatkan setiap baris

Bagaimana cara membaca baris tertentu dari file CSV di panda?

Baca File CSV .

Muat CSV ke dalam DataFrame. impor panda sebagai pd. df = pd. baca_csv('data. csv').

Cetak DataFrame tanpa metode to_string(). impor panda sebagai pd. .

Periksa jumlah baris maksimum yang dikembalikan. impor panda sebagai pd. .

Tingkatkan jumlah maksimum baris untuk menampilkan seluruh DataFrame. impor panda sebagai pd

Bagaimana cara mencetak kolom tertentu dalam file CSV dengan python?

Untuk membaca kolom tertentu dari file csv, kami akan meneruskan daftar kolom yang akan dibaca sebagai argumen input ke parameter ' usecols '. After execution, the read_csv() method returns the dataframe with specific columns as shown in the following example.

Bagaimana cara membaca file CSV dari baris tertentu dengan python?

Langkah-Langkah Untuk Membaca Baris Tertentu Dari File .

Buka file dalam Mode Baca. Untuk membuka file, lewati jalur file dan akses mode r ke fungsi open(). .

Buat daftar untuk menyimpan nomor baris. .

Buat daftar untuk menyimpan baris. .

Gunakan for loop dengan fungsi enumerate() untuk mendapatkan garis dan nomornya. .

Baca file dengan nomor baris