从带有熊猫的 CSV 中读取十进制表示

Question

我正在尝试读取 CSV 文件的内容，该文件包含我认为是 IEEE 754 单精度浮点数的十进制格式。

默认情况下，它们以 int64 格式读入。如果我用dtype = {'col1' : np.float32} 之类的东西指定数据类型，则dtype 会正确显示为float32，但它们与float 而不是int 的值相同，即。 1079762502 变为 1.079763e+09 而不是 3.435441493988037。

我已设法使用以下任一方法对单个值进行转换：

from struct import unpack

v = 1079762502

print(unpack('>f', v.to_bytes(4, byteorder="big")))
print(unpack('>f', bytes.fromhex(str(hex(v)).split('0x')[1])))

哪个产生

(3.435441493988037,)
(3.435441493988037,)

但是，我似乎无法使用 pandas 以矢量化方式实现这一点：

import pandas as pd
from struct import unpack

df = pd.read_csv('experiments/test.csv')

print(df.dtypes)
print(df)

df['col1'] = unpack('>f', df['col1'].to_bytes(4, byteorder="big"))
#df['col1'] = unpack('>f', bytes.fromhex(str(hex(df['col1'])).split('0x')[1]))

print(df)

抛出以下错误

col1    int64
dtype: object
         col1
0  1079762502
1  1079345162
2  1078565306
3  1078738012
4  1078635652

---------------------------------------------------------------------------
AttributeError                            Traceback (most recent call last)
<ipython-input-8-c06d0986cc96> in <module>
      7 print(df)
      8 
----> 9 df['col1'] = unpack('>f', df['col1'].to_bytes(4, byteorder="big"))
     10 #df['col1'] = unpack('>f', bytes.fromhex(str(hex(df['col1'])).split('0x')[1]))
     11 

~/anaconda3/envs/test/lib/python3.7/site-packages/pandas/core/generic.py in __getattr__(self, name)
   5177             if self._info_axis._can_hold_identifiers_and_holds_name(name):
   5178                 return self[name]
-> 5179             return object.__getattribute__(self, name)
   5180 
   5181     def __setattr__(self, name, value):

AttributeError: 'Series' object has no attribute 'to_bytes'

或者如果我尝试第二种方式，TypeError: 'Series' object cannot be interpreted as an integer

我在这里的 Python 知识有限，我想我可以遍历每一行，转换为十六进制，然后转换为字符串，然后剥离 0x，解压缩并存储。但这似乎非常复杂，在较小的样本数据集上已经花费了几秒钟，更不用说数十万个条目了。我在这里遗漏了一些简单的东西，有没有更好的方法？

Answer 1

CSV 是一种文本格式，IEEE 754 单精度浮点数是二进制数字格式。如果你有 CSV，你有文本，它根本不是那种格式。如果我理解正确，我认为您的意思是您有代表整数（十进制格式）的文本，对应于您的 32 位浮点数的 32 位整数解释。

因此，对于初学者来说，当您从 csv 读取数据时，pandas 默认使用 64 位整数。因此转换为 32 位整数，然后使用 .view 重新解释字节：

In [8]: df
Out[8]:
         col1
0  1079762502
1  1079345162
2  1078565306
3  1078738012
4  1078635652

In [9]: df.col1.astype(np.int32).view('f')
Out[9]:
0    3.435441
1    3.335940
2    3.150008
3    3.191184
4    3.166780
Name: col1, dtype: float32

分解成步骤帮助理解：

In [10]: import numpy as np

In [11]: arr = df.col1.values

In [12]: arr
Out[12]: array([1079762502, 1079345162, 1078565306, 1078738012, 1078635652])

In [13]: arr.dtype
Out[13]: dtype('int64')

In [14]: arr_32 = arr.astype(np.int32)

In [15]: arr_32
Out[15]:
array([1079762502, 1079345162, 1078565306, 1078738012, 1078635652],
      dtype=int32)

In [16]: arr_32.view('f')
Out[16]:
array([3.4354415, 3.33594  , 3.1500077, 3.191184 , 3.1667795],
      dtype=float32)