Добавление заголовочного ряда в DataFrame Pandas из CSV

Быстрый ответ

Для добавления новых имен заголовков столбцов к DataFrame df достаточно присвоить список новых заголовков атрибуту columns. Отметим, что количество задаваемых заголовков в списке должно равняться числу столбцов в DataFrame:

df.columns = ['Заголовок1', 'Заголовок2', 'Заголовок3']

Таким образом, вы замените старые имена на новые: ['Заголовок1', 'Заголовок2', 'Заголовок3'].

Задание заголовков при чтении файла CSV

При чтении файла CSV, который не содержит заголовки, для их добавления используйте параметр names функции pandas.read_csv:

df = pd.read_csv('data.csv', header=None, names=['Столбец1', 'Столбец2', 'Столбец3'])

Значение header=None критически важно для указания pandas, что в файле отсутствуют строки заголовков. В противном случае первая строка данных будет неверно интерпретирована как заголовок.

Работа с CSV файлами имеющими разные разделители

CSV-файлы могут использовать различные разделители. Чтобы указать разделитель, используемый в файле, используйте параметр sep:

df = pd.read_csv('data.tsv', sep='\t', header=None, names=['Столбец1', 'Столбец2', 'Столбец3'])

В данном примере показана обработка TSV-файлов (с табуляцией в качестве разделителя). Учтите, что количество имен в списке names должно совпадать с количеством столбцов в файле.

Сохранение DataFrame с новыми заголовками

После назначения новых заголовков вы можете пожелать экспортировать DataFrame обратно в формат CSV. Для этого используйте to_csv, не забыв установить index=False, чтобы предотвратить сохранение индексов строк в файле:

df.to_csv('updated_data.csv', index=False)

Визуализация

Представление DataFrame напоминает витрину, где каждый столбец – это отсек с меткой:

df.columns = ['Хлеб 🍞', 'Молоко 🥛', 'Яйца 🥚']

Однозначные имена помогают разработчикам найти нужную информацию без промедления.

Установление заголовков после загрузки данных

Если требуется сначала загрузить данные и только затем задать заголовки, добавьте их в DataFrame df после его заполнения данными:

df = pd.DataFrame(data)
df.columns = ['НовыйЗаголовок1', 'НовыйЗаголовок2', 'НовыйЗаголовок3']

Теперь каждый столбец будет иметь уникальное название, что упрощает ориентацию в данных.

Проверка структуры файла перед добавлением заголовков

Перед добавлением заголовков следует проверить структуру CSV-файла. Предварительный просмотр данных с помощью df.head() поможет выявить возможные несоответствия и предотвратить ошибки:

print(df.head())

Это может сравниваться с дегустацией блюда перед подачей, чтобы убедиться в его качестве.

Сочетание с numpy для работы с массивами

При работе с массивами, порой, эффективней использовать numpy, а не pandas. Однако в numpy заголовки трактуются как обычная строка массива:

Продвинутое применение: Многоуровневые заголовки

Pandas поддерживает создание многоуровневых заголовков или MultiIndex, что полезно при работе с сложными структурами данных:

df.columns = pd.MultiIndex.from_tuples([('Группа1', 'Заголовок1'), ('Группа1', 'Заголовок2'), ('Группа2', 'Заголовок3')])

Это позволяет эффективно представлять сложные связи между столбцами.

Полезные материалы

1. pandas.DataFrame — Документация pandas 2.2.0 — Все о pandas.DataFrame.
2. Как читать и записывать файлы – Real Python — Руководство по работе с файлами CSV.
3. Основной функционал – Документация pandas 2.2.0 — Всё, что необходимо знать о переименовании столбцов.
4. Работа с текстовыми данными – Документация pandas 2.2.0 — Руководство по работе с текстовыми данными.
5. Введение в структуры данных – Документация pandas 2.2.0 — Объяснение использования pandas series.
6. pandas.concat – Документация pandas 2.2.0 — Путеводитель по конкатенации таблиц с помощью pandas.