CSV文件中的第一行是一个字符串的列表，而其余行是Python中的元素列表

Question

我是一个新手，试图使用Python 3从大量CSV文件中执行一些计算和分析一些数据。每个CSV文件的数据存储在大约30000行中，以分号分隔。由于这些都是系统生成的文件，因此第一行包含每个文件的参数名称，顺序不同。所以我想提取这些参数名，比较它们，找出每个文件所需参数值的位置。

但是在我这样做之前，当我读取CSV文件的第一行时，列表有一个由';'分隔的单个字符串，而其余行被正确提取。我尝试过分割文本和其他方法，但它们都没有对输出产生任何影响。有人能帮忙解决这个问题吗?

这是我写的代码:

import os 
import sys
import csv
import math      
# Open a file
full_path = "C:\Documents and Settings\My Documents\CSV files"
dirs = os.listdir( full_path )
filename = list()
"""This will find the file in the directory and print the first row of the 
CSV file - the names of the parameters."""
for file in dirs:
    path = full_path+'\'+file
    with open(path, 'rt') as csvfile:
        #For printing the location name   
        Turbine_name = (os.path.splitext(file)[0])
        #Reading the files into an object
        csvreader = csv.reader(csvfile, delimiter=';')
        #Obtaining the first line of the CSV file - the names of the parameters
        Parameters = next(csvreader)
        print (Parameters)
        #From this line, the values of different Parameters are extracted
        for row in csvreader:
            Parameters = next(csvreader)
            print (Parameters)
            #To eliminate rows with insufficient data
            if len(Parameters)>11:            
                Created_time = Parameters[0]
                Grid_frequency = float(Parameters[3])
                Grid_KW = float(Parameters[4])
                Rotor_RPM = float(Parameters[10])

参数的位置以这里为例，因为我还没有编写比较字符串的代码。输入文件的示例如下:

createTime;"Grid CosPhi";"Grid Current";"Grid Frequency";"Grid kW";"Grid   VAr";"Grid Voltage";"Pitch angle 1";"Pitch angle 2";"Pitch angle 3";"Rotor RPM";"Temp.  5    214";"Temp.  6    217";"Temp.  9    227";"Winddirection";"Windspeed"
9/21/14 11:30:01 PM;N/A;N/A;49.963;211688.734;N/A;N/A;-1.06;-1.039;-1.119;19.379;47.167;36;64;N/A;6.319
9/21/14 11:40:01 PM;N/A;N/A;50.002;170096.297;N/A;N/A;-1.003;-0.96;-1.058;19.446;47.182;36.084;63.772;N/A;5.628
9/21/14 11:50:01 PM;N/A;N/A;50.021;175038.734;N/A;N/A;-0.976;-0.961;-1.082;18.805;47;36.223;63.153;N/A;5.577
9/22/14 12:00:01 AM;N/A;N/A;49.964;229942.016;N/A;N/A;-1.047;-1.018;-1.066;18.957;47.125;36.293;63.766;N/A;6.431
9/22/14 12:10:01 AM;N/A;N/A;49.908;200873.844;N/A;N/A;-0.997;-0.985;-1.06;19.229;47.028;36.334;63.962;N/A;6.076
9/22/14 12:20:01 AM;N/A;N/A;49.934;234467.609;N/A;N/A;-1.028;-0.986;-1.001;18.995;47.056;36.401;63.732;N/A;6.067
9/22/14 12:30:01 AM;N/A;N/A;49.96;270969.25;N/A;N/A;-1.138;-1.103;-1.122;18.983;47.274;36.499;64.014;N/A;6.487
9/23/14 12:30:01 PM;N/A;N/A;50.073;54458.719;N/A;N/A;-0.492;-0.52;-0.472;13;42.02;33.624;46.426;N/A;3.757

当我得到输出时，它看起来像这样:

>>>['createTime;"Grid CosPhi";"Grid Current";"Grid Frequency";"Grid kW";"Grid VAr";"Grid Voltage";"Pitch angle 1";"Pitch angle 2";"Pitch angle 3";"Rotor RPM";"Temp.  5    214";"Temp.  6    217";"Temp.  9    227";"Winddirection";"Windspeed"']
   ['9/21/14 11:40:01 PM', 'N/A', 'N/A', '50.002', '170096.297', 'N/A', 'N/A', '-1.003', '-0.96', '-1.058', '19.446', '47.182', '36.084', '63.772', 'N/A', '5.628']
   ['9/22/14 12:00:01 AM', 'N/A', 'N/A', '49.964', '229942.016', 'N/A', 'N/A', '-1.047', '-1.018', '-1.066', '18.957', '47.125', '36.293', '63.766', 'N/A', '6.431']
   ['9/22/14 12:20:01 AM', 'N/A', 'N/A', '49.934', '234467.609', 'N/A', 'N/A', '-1.028', '-0.986', '-1.001', '18.995', '47.056', '36.401', '63.732', 'N/A', '6.067']

正如在一些文件中观察到的，一些参数完全丢失了。这就是为什么我需要找出每个CSV文件中各个参数的位置。任何想法如何可以做得最好，也赞赏。提前感谢。

编辑:不幸的是，我不能使用Pandas，因为它必须单独安装在Python34和我的办公系统(Windows XP, P4)不支持它。我想这样做与CSV模块，如果可能的话。

Answer 1

我建议您使用pandas而不是csv，因为它更能够阅读和创建电子表格。每个文件的第一行通常用于命名列。由于每个列都有一个唯一的名称，因此您不需要知道其位置，因为在pandas中可以通过名称访问列。

import pandas as pd
data = pd.read_csv(yourFilePath, sep = ';', index_col = 0, parse_dates = True)

这将创建一个类似于MS Excel的电子表格。第一列"createTime"将是电子表格的索引，pandas将尝试解析该列中的字符串以获取日期/时间信息。

如果你现在想做一些数学，你可以一列一列地做，因为pandas能够正确地解释。对于选择行，您可以使用按标签选择:

import pandas as pd
data1 = pd.read_csv(yourFilePath1, sep = ';', index_col = 0, parse_dates = True)
data2 = pd.read_csv(yourFilePath2, sep = ';', index_col = 0, parse_dates = True)
#select a specific time range only, e.g 22th Sept. 2014
range_of_interest = data.loc['20140922']
#select time range >= Sept. 22th, 2014
range_of_interest = data.loc['20140922':]

您还可以根据索引对齐数据框架。下面是一个类似的例子

aligned_data = data1.join(data2, how = 'outer', rsuffic = '_2')

还有多个函数允许您计算列的描述，如平均值，标准差等。例如，列"Grid kW"的统计值:

data['Grid kW'].describe()

最后，您可以使用完整的数据帧进行数学运算。Pandas将自动使用正确的列。如果某个数据框中缺少特定列，则计算结果将为'nan'。对于缺失的值也是如此。因此，数据帧之间的计算结果将始终导致只有有效数据的数据帧。

data1.loc['20140922'] + data2.loc['20140922']

这应该包含了你的意图