当前位置: 代码迷 >> python >> pandas to_csv,唯一记录的数量减少
  详细解决方案

pandas to_csv,唯一记录的数量减少

热度:76   发布时间:2023-06-27 21:18:10.0

我正在写一个pandas数据帧到csv文件。 但是我可以发现,唯一ID的数量正在减少,但总行数保持不变

您可以在下面找到代码:

检查分组_测试的总计数和唯一计数

 grouped_test['fullVisitorId'].nunique() , grouped_test['fullVisitorId'].count() 
(639230, 639230)

提交到csv文件

grouped_test.to_csv('result.csv',index=False)

再次读取相同的csv文件

result = pd.read_csv('result.csv')

我在阅读文件时收到了以下警告

py:2785: DtypeWarning: Columns (0) have mixed types. Specify dtype option on import or set low_memory=False.
  interactivity=interactivity, compiler=compiler, result=result)

检查计数

result['fullVisitorId'].nunique() , result['fullVisitorId'].count()
(638932, 639230)

您可以找到唯一ID减少的数量,任何想法可能是什么问题。

您可以在下面找到Ids的一些示例值。 id的长度/数据类型是否与它有关?

9844437513179813866
643697640977915618

首先,你猜测整数的长度是正确的。

让我们用数据做一些实验来证明这一点。

实验1

让我们看看Pandas可以处理的最大整数是多少:

df = pd.DataFrame({"a":[9223372036854775899]})
df.to_csv("try.csv", index=False)
df1 = pd.read_csv("try.csv", dtype={"a":int})
df1

a
0   9223372036854775899


df = pd.DataFrame({"a":[92233720368547758100]})
df.to_csv("try.csv", index=False)
df2 = pd.read_csv("try.csv", dtype={"a":int})
df2

---------------------------------------------------------------------------
OverflowError                             Traceback (most recent call last)
pandas/_libs/parsers.pyx in pandas._libs.parsers.TextReader._convert_with_dtype()

pandas/_libs/parsers.pyx in pandas._libs.parsers._try_int64()

OverflowError: Overflow

那么,现在的问题是我们应该如何正确指定数字的格式

实验2

df = pd.DataFrame({"a":[98444375131798787989138668, 98444375131798787989138669]})
df.to_csv("try.csv", index=False)
df3 = pd.read_csv("try.csv", dtype={"a":float})

df3.a.nunique()

1

我们看到float正在数字

实验3

让我们试试object格式

df = pd.DataFrame({"a":[98444375131798787989138668, 98444375131798787989138669]})
df.to_csv("try.csv", index=False)
df4 = pd.read_csv("try.csv", dtype={"a":object})

df4.a.nunique()

2

简而言之,您的问题的答案是将读取时的数据类型指定为object

df = pd.read_csv("result.csv", dtype={"fullVisitorId":object})

排除任何数据类型问题的一种方法是将数据类型强制为整数(在保存到csv之前以及立即从csv读取)。

看完后:

result = pd.read_csv('result.csv')
result['fullVisitorId'] = result['fullVisitorId'].astype(int)
result['fullVisitorId'].nunique() , result['fullVisitorId'].count()

您还可以在infer_objects()中进行探索

  相关解决方案