在没有熊猫的情况下将文本文件数据转换为python中的数据框 - Python

当我们谈及数据分析时， Python 程序员通常会想到一个名为 pandas 的强大的数据分析库。Pandas 提供了一种名为 DataFrames 的数据类型，它是一种二维表格结构，可以容纳不同类型的数据并轻松进行处理。虽然 Pandas 是 Python 数据科学的核心库，但它不是唯一的选择。我们可以使用 Python 标准库及其他第三方库来处理数据并进行数据分析。

在本文中，我们将介绍如何使用 Python 标准库中的 csv 模块和 list 列表来将文本文件数据转换为 Python 中的数据框。

准备工作

首先，我们需要先安装 Python，版本不低于3.0。csv 模块是 Python 的标准库，所以不用单独安装。

读取文本文件数据

我们使用 Python 的内置 csv 模块来读取文本文件数据。csv 模块提供了一个名为 csv.reader() 的函数，该函数可以读取 csv 文件中的所有行。

以下是读取文件中的数据并将其转换为列表的示例代码：

import csv

with open('test_data.csv') as file:
    reader = csv.reader(file)
    data = [row for row in reader]

这会将文件中的所有行转换为名为 data 的列表。

将数据转换为字典

我们将使用列表和字典来创建数据框。使用我们在上一步骤中获取的数据列表，我们使用列表的第一行作为字典中的键，并使用余下所有行作为字典中的值。

以下是将数据列表转换为字典的示例代码：

header = data[0]
values = data[1:]

dictionary = []
for row in values:
    new_dict = {}
    for i, value in enumerate(row):
        new_dict[header[i]] = value
    dictionary.append(new_dict)

此代码将第一行作为键创建一个名为 header 的列表，然后使用列表中的剩余行创建一个名为 values 的列表。我们使用嵌套循环来创建包含字典的列表，其中外部循环遍历值列表，内部循环遍历值列表中各个行的每个值，并将其添加到新字典中，该字典使用第一行的键和当前值作为值。将每个新字典添加到名为 dictionary 的列表中。

将数据转换为数据框

使用我们在上一步骤中获取的字典列表，我们使用列表和字典创建数据框。

以下是将字典列表转换为数据框的示例代码：

class DataFrame:
    def __init__(self, data):
        self.data = data

    def __repr__(self):
        headers = self.data[0].keys()
        table = []
        for row in self.data:
            table.append([str(row[h]) for h in headers])
        lengths = [max(map(len, col)) for col in zip(*table)]
        format = ' | '.join('{{:<{}}}'.format(length) for length in lengths)
        lines = []
        lines.append(format.format(*headers))
        lines.append('-+-'.join('-' * length for length in lengths))
        for row in table:
            lines.append(format.format(*row))
        return '\n'.join(lines)

df = DataFrame(dictionary)

此代码创建了一个名为 DataFrame 的类，该类实例化时将数据作为参数传递。使用 repr() 方法，该方法返回一个 Markdown 格式的表格。我们首先获取字典列表中的所有键，并使用其来创建表头行。其次，我们使用所有行创建表格，并计算每一列的合适宽度。最后，我们返回一个 Markdown 格式的字符串，其中每行由垂直线分隔的值组成。

结论

在本文中，我们介绍了如何使用 Python 的标准库中的 csv 模块和列表来将文本文件数据转换为 Python 中的数据框。虽然这个过程需要一些代码，但对于不想使用 pandas 或其他第三方库的 Python 程序员来说，这是一个不错的选择。