精华内容
下载资源
问答
  • pandas中的read_csv参数详解
    千次阅读
    2022-01-07 15:55:21

    1.官网语法

    pandas.read_csv(filepath_or_buffer, sep=NoDefault.no_default**,** delimiter=None**,** header='infer’, names=NoDefault.no_default**,** index_col=None**,** usecols=None**,** squeeze=False**,** prefix=NoDefault.no_default**,** mangle_dupe_cols=True**,** dtype=None**,** engine=None**,** converters=None**,** true_values=None**,** false_values=None**,** skipinitialspace=False**,** skiprows=None**,** skipfooter=0**,** nrows=None**,** na_values=None**,** keep_default_na=True**,** na_filter=True**,** verbose=False**,** skip_blank_lines=True**,** parse_dates=False**,** infer_datetime_format=False**,** keep_date_col=False**,** date_parser=None**,** dayfirst=False**,** cache_dates=True**,** iterator=False**,** chunksize=None**,** compression='infer’, thousands=None**,** decimal=’.', lineterminator=None**,** quotechar=’"', quoting=0**,** doublequote=True**,** escapechar=None**,** comment=None**,** encoding=None**,** encoding_errors='strict’, dialect=None**,** error_bad_lines=None**,** warn_bad_lines=None**,** on_bad_lines=None**,** delim_whitespace=False**,** low_memory=True**,** memory_map=False**,** float_precision=None**,** storage_options=None**)**

    read_csv()函数在pandas中用来读取文件(逗号分隔符),并返回DataFrame。

    2.参数详解

    2.1 filepath_or_buffer(文件)

    注:不能为空

    filepath_or_buffer: str, path object or file-like object
    

    设置需要访问的文件的有效路径。

    可以是URL,可用URL类型包括:http, ftp, s3和文件。

    对于多文件正在准备中本地文件读取实例:😕/localhost/path/to/table.csv

    # 本地相对路径:
    pd.read_csv('data/data.csv') # 注意目录层级
    pd.read_csv('data.csv') # 如果文件与代码文件在同目录下
    pd.read_csv('data/my/my.data') # CSV 文件扩展名不一定是 csv
    
    # 本地绝对路径:
    pd.read_csv('/user/data/data.csv')
    

    2.2 sep(分隔符)

    sep: str, default ‘,

    ​ 指定分隔符。如果不指定参数,则会尝试使用逗号分隔。分隔符长于一个字符并且不是‘\s+’,

    将使用python的语法分析器。并且忽略数据中的逗号。正则表达式例子:’\r\t’

    # 数据分隔转化是逗号, 如果是其他可以指定
    pd.read_csv(data, sep='\t') # 制表符分隔 tab
    pd.read_table(data) # read_table 默认是制表符分隔 tab
    pd.read_csv(data, sep='|') # 制表符分隔 tab
    pd.read_csv(data,sep="(?<!a)\|(?!1)", engine='python') # 使用正则
    

    2.3 delimiter(分隔符)

    delimiter: str, default None
    

    ​ 定界符,sep的别名。

    2.4 header(表头)

    header: int, list of int, default ‘infer’
    

    指定行数用来作为列名,数据开始行数。

    如果文件中没有列名,则默认为0,否则设置为None。如果明确设定header=0 就会替换掉原来存在

    列名。

    header参数可以是一个list例如:[0,1,3],这个list表示将文件中的这些行作为列标题(意味着

    每一列有多个标题),介于中间的行将被忽略掉(例如本例中的2;本例中的数据1,2,4行将被作为多

    级标题出现,第3行数据将被丢弃,dataframe的数据从第5行开始)。

    注意:如果skip_blank_lines=True 那么header参数忽略注释行和空行,所以header=0表示第一

    行数据而不是文件的第一行。

    # 默认系统会推断,如果指定列名会被忽略
    pd.read_csv(data, header=0) # 第一行
    pd.read_csv(data, header=None) # 没有表头
    pd.read_csv(data, header=[0,1,3]) # 多层索引 MultiIndex
    

    2.5 names(列名)

    names: array-like, optional
    

    ​ 用于结果的列名列表,如果数据文件中没有列标题行,就需要执行header=None。默认列表中不

    能出现重复,除非设定参数mangle_dupe_cols=True。

    pd.read_csv(data, names=['列1', '列2']) # 指定列名列表
    

    2.6 index_col(索引列)

    index_col: int, str, sequence of int / str, or False, default None
    

    用作行索引的列编号或者列名,如果给定一个序列则有多个行索引。

    如果文件不规则,行尾有分隔符,则可以设定index_col=False 来是的pandas不适用第一列作为行

    索引。

    # 默认为 `None`, 不自动识别索引
    pd.read_csv(data, index_col=False) # 不再使用首列作为索引
    pd.read_csv(data, index_col=0) # 第几列是索引
    pd.read_csv(data, index_col='年份') # 指定列名
    pd.read_csv(data, index_col=['a','b']) # 多个索引
    pd.read_csv(data, index_col=[0, 3]) # 按列索引指定多个索引
    

    2.7 usecols(使用部分列)

    usecols: list-like or callable, optional
    

    返回一个数据子集,该列表中的值必须可以对应到文件中的位置(数字可以对应到指定的列)或者是

    字符传为文件中的列名。例如:usecols有效参数可能是 [0,1,2]或者是 [‘foo’, ‘bar’,

    ‘baz’]。使用这个参数可以加快加载速度并降低内存消耗。

    # 读取部分列
    pd.read_csv(data, usecols=[0,4,3]) # 按索引只读取指定列,顺序无关
    pd.read_csv(data, usecols=['列1', '列5']) # 按列名,列名必须存在
    # 指定列顺序,其实是 df 的筛选功能
    pd.read_csv(data, usecols=['列1', '列5'])[['列5', '列1']]
    # 以下用 callable 方式可以巧妙指定顺序, in 后边的是我们要的顺序
    pd.read_csv(data, usecols=lambda x: x.upper() in ['COL3', 'COL1'])
    

    2.8 squeeze(返回序列)

    squeeze: bool, default False
    

    如果文件值包含一列,则返回一个Series,如果是多个列依旧还是DataFrame。

    # 只取一列会返回一个 Series
    pd.read_csv(data, usecols=[0], squeeze=True)
    # 如果是两列则还是 df
    pd.read_csv(data, usecols=[0, 2], squeeze=True)
    

    2.9 prefix(表头前缀)

    prefix: str, optional
    

    在没有列标题时,给列添加前缀。例如:添加‘X’ 成为 X0, X1, …

    # 表头为 c_0、c_2
    pd.read_csv(data, prefix='c_', header=None)
    

    2.10 mangle_dupe_cols(处理重复列名)

    mangle_dupe_cols: bool, default True
    

    重复的列,将‘X’…’X’表示为‘X.0’…’X.N’。如果设定为False则会将所有重名列覆盖。

    data = 'a,b,a\n0,1,2\n3,4,5'
    pd.read_csv(StringIO(data), mangle_dupe_cols=True)
    # 表头为 a b a.1
    # False 会报 ValueError 错误
    

    2.11 dtype(数据类型)

    dtype: Type name or dict of column -> type, optional
    

    每列数据的数据类型。例如 {‘a’: np.float64, ‘b’: np.int32}

    pd.read_csv(data, dtype=np.float64) # 所有数据均为此数据类型
    pd.read_csv(data, dtype={'c1':np.float64, 'c2': str}) # 指定字段的类型
    pd.read_csv(data, dtype=[datetime, datetime, str, float]) # 依次指定
    

    2.12 engine(引擎)

    engine: {‘c’, ‘python’}, optional
    

    Parser engine to use. The C engine is faster while the python engine is currently more feature-complete.

    使用的分析引擎。可以选择C或者是python。C引擎快,但是Python引擎功能更加完备。

    2.13 converters(列数据处理)

    converters: dict, optional
    

    列转换函数的字典。key可以是列名或者列的序号。

    from io import StringIO
    data = 'x,y\na,1\nb,2'
    def foo(p):
        return p+'s'
    # x 应用函数, y 使用 lambda
    pd.read_csv(StringIO(data), converters={'x': foo,
                                            'y': lambda x: x*3})
    # 输出:
    	x	y
    0	as	111
    1	bs	222
    # 使用列索引
    pd.read_csv(StringIO(data),
                converters={0: foo, 1: lambda x: x*3})
    

    2.14 true_values(真值转换)

    true_values: list, optional
    

    Values to consider as True 将指定的文本转换为 True, 可以用列表指定多个值。

    from io import StringIO
    data = ('a,b,c\n1,Yes,2\n3,No,4')
    pd.read_csv(StringIO(data),
                true_values=['Yes'], false_values=['No'])
    # 输出
    	a	b	c
    0	1	True	2
    1	3	False	4
    

    2.15 false_values(假值转换)

    false_values: list, optional
    

    Values to consider as False将指定的文本转换为 False, 可以用列表指定多个值。

    2.16 skipinitialspace(忽略分隔符后的空白)

    skipinitialspace: bool, default False
    

    忽略分隔符后的空白(默认为False,即不忽略).

    data = 'a, b, c\n 1, 2, 3\n 4 ,5, 6'
    pd.read_csv(StringIO(data), skipinitialspace=True)
    # 输出
    	a	b	c
    0	1	2	3
    1	4	5	6
    

    2.17 skiprows(跳过指定行)

    skiprows: list-like, int or callable, optional
    

    需要忽略的行数(从文件开始处算起),或需要跳过的行号列表(从0开始)。

    # 跳过前2行
    pd.read_csv(data, skiprows=2)
    # 跳过前2行
    pd.read_csv(data, skiprows=range(2))
    # 跳过指定行
    pd.read_csv(data, skiprows=[24,234,141])
    # 跳过指定行
    pd.read_csv(data, skiprows=np.array([2, 6, 11]))
    # 隔行跳过
    pd.read_csv(data, skiprows=lambda x: x % 2 != 0)
    

    2.18 shipfooter(尾部跳过)

    skipfooter: int, default 0
    

    从文件尾部开始忽略。 (c引擎不支持)

    pd.read_csv(filename, skipfooter=1) # 最后一行不加载
    

    2.19 nrows(读取行数)

    nrows: int, optional
    

    需要读取的行数(从文件头开始算起)。一般用于较大的数据文件

    pd.read_csv(data, nrows=1000)
    

    2.20 na_values(空值替换)

    na_values: scalar, str, list-like, or dict, optional
    

    一组用于替换NA/NaN的值。如果传参,需要制定特定列的空值。默认为‘1.#IND’, ‘1.#QNAN’, ‘N/A’, ‘NA’, ‘NULL’, ‘NaN’, ‘nan’`.

    # 5 和 5.0 会被认为 NaN
    pd.read_csv(data, na_values=[5])
    # ? 会被认为 NaN
    pd.read_csv(data, na_values='?')
    # 空值为 NaN
    pd.read_csv(data, keep_default_na=False, na_values=[""])
    # 字符 NA 字符 0 会被认为 NaN
    pd.read_csv(data, keep_default_na=False, na_values=["NA", "0"])
    # Nope 会被认为 NaN
    pd.read_csv(data, na_values=["Nope"])
    # a、b、c 均会被认为 NaN 等于 na_values=['a','b','c']
    pd.read_csv(data, na_values='abc')
    # 指定列的指定值会被认为 NaN
    pd.read_csv(data, na_values={'c':3, 1:[2,5]})
    

    2.21 keep_fault_na(保留默认空值)

    keep_default_na: bool, default True
    

    析数据时是否包含默认的NaN值,是否自动识别。

    如果指定na_values参数,并且keep_default_na=False,那么默认的NaN将被覆盖,否则添加。

    # 不自动识别空值
    pd.read_csv(data, keep_default_na=False)
    
    keep_default_nana_values逻辑
    True指定na_values 的配置附加处理
    True未指定自动识别
    False指定使用 na_values 的配置
    False未指定不做处理

    注:如果 na_filter 为 False (默认是 True), 那么 keep_default_na 和 na_values parameters 均无效。

    2.22 na_filter(丢失值检查)

    na_filter: bool, default True
    

    是否检查丢失值(空字符串或者是空值)。对于大文件来说数据集中没有空值,设定na_filter=False可以提升读取速度。

    # boolean, default True
    pd.read_csv(data, na_filter=False) # 不检查
    

    2.23 verbose(解析信息)

    verbose: bool, default False
    

    是否打印各种解析器的输出信息,例如:“非数值列中缺失值的数量”等。

    # 可以看到解析信息
    pd.read_csv(data, verbose=True)
    # Tokenization took: 0.02 ms
    # Type conversion took: 0.36 ms
    # Parser memory cleanup took: 0.01 ms
    

    2.24 skip_blank_lines(跳过空行)

    skip_blank_lines: bool, default True
    

    如果为True,则跳过空行;否则记为NaN。

    # 不跳过空行
    pd.read_csv(data, skip_blank_lines=False)
    

    2.25 parse_dates(日期时间解析)

    parse_dates: bool or list of int or names or list of lists or dict, default False
    
    • boolean. True -> 解析索引
    • list of ints or names. e.g. If [1, 2, 3] -> 解析1,2,3列的值作为独立的日期列;
    • list of lists. e.g. If [[1, 3]] -> 合并1,3列作为一个日期列使用
    • dict, e.g. {‘foo’ : [1, 3]} -> 将1,3列合并,并给合并后的列起名为"foo"
    pd.read_csv(data, parse_dates=True) # 自动解析日期时间格式
    pd.read_csv(data, parse_dates=['年份']) # 指定日期时间字段进行解析
    # 将 1、4 列合并解析成名为 时间的 时间类型列
    pd.read_csv(data, parse_dates={'时间':[1,4]})
    

    2.26 infer_datetime_format(自动识别日期时间)

    infer_datetime_format: bool, default False
    

    如果设定为True并且parse_dates 可用,那么pandas将尝试转换为日期类型,如果可以转换,转换

    方法并解析。在某些情况下会快5~10倍。

    pd.read_csv(data, parse_dates=True, infer_datetime_format=True)
    

    2.27 keep_date_col(保留被时间组合列)

    keep_date_col: bool, default False
    

    如果有多列解析成一个列,自动会合并到新解析的列,去掉此列,如果设置为 True 则会保留。

    pd.read_csv(data, parse_dates=[[1, 2], [1, 3]], keep_date_col=True)
    

    2.28 date_parser(日期时间解析器)

    date_parser: function, optional
    

    用于解析日期的函数,默认使用dateutil.parser.parser来做转换。Pandas尝试使用三种不同的方

    式解析,如果遇到问题则使用下一种方式。

    1.使用一个或者多个arrays(由parse_dates指定)作为参数;

    2.连接指定多列字符串作为一个列作为参数;

    3.每行调用一次date_parser函数来解析一个或者多个字符串(由parse_dates指定)作为参数。

    # 指定时间解析库,默认是 dateutil.parser.parser
    date_parser=pd.io.date_converters.parse_date_time
    date_parser=lambda x: pd.to_datetime(x, utc=True, format='%d%b%Y')
    date_parser = lambda d: pd.datetime.strptime(d, '%d%b%Y')
    pd.read_csv(data, parse_dates=['年份'], date_parser=date_parser)
    

    2.29 dayfirst(日期日在前)

    dayfirst: bool, default False
    

    DD/MM格式的日期类型,如日期 2000-01-06 如果 dayfirst=True 则会转换成 2000-06-01。

    pd.read_csv(data, dayfirst=True, parse_dates=[0])
    

    2.30 cache_dates(日期缓存)

    cache_dates: bool, default True
    

    如果为 True,则使用唯一的转换日期缓存来应用 datetime 转换。 解析重复的日期字符串时,尤其是带有时区偏移的日期字符串时,可能会大大提高速度。

    pd.read_csv(data, cache_dates=False)
    

    2.31 iterator(读取文件对象)

    iterator: bool, default False
    

    返回一个TextFileReader 对象,以便逐块处理文件。

    pd.read_csv(data, iterator=True)
    

    2.32 chunksize(文件块)

    chunksize: int, optional
    

    文件块的大小, See IO Tools docs for more informationon iterator and chunksize.

    pd.read_csv(data, chunksize=100000)
    
    # 分片处理大文件
    df_iterator=pd.read_csv(file,chunksize=50000)
    def process_dataframe(df):
        pass
        return processed_df
    
    for index,df_tmp in enumerate(df_iterator):
        df_processed=process_dataframe(df_tmp)
        if index>0:
           df_processed.to_csv(path)
        else:
           df_processed.to_csv(path,mode='a',header=False)
    

    2.33 compression(压缩)

    compression: {‘infer’, ‘gzip’, ‘bz2’,zip, ‘xz’, None}, default ‘infer’
    

    直接使用磁盘上的压缩文件。如果使用infer参数,则使用 gzip, bz2, zip或者解压文件名中以‘.gz’, ‘.bz2’, ‘.zip’, or ‘xz’这些为后缀的文件,否则不解压。如果使用zip,那么ZIP包中国必须只包含一个文件。设置为None则不解压。

    新版本0.18.1版本支持zip和xz解压

    pd.read_csv('sample.tar.gz', compression='gzip')
    

    2.34 thousands(千分位分隔符)

    thousands: str, optional
    

    千分位分割符,如“,”或者“."

    pd.read_csv('test.csv', thousands=',') # 逗号分隔
    

    2.35 decimal(小数点)

    decimal: str, default ‘.

    字符中的小数点 (例如:欧洲数据使用’,‘).

    pd.read_csv(data, decimal=",")
    

    2.36 lineterminator(行结束符)

    lineterminator: str (length 1), optional
    

    行分割符,只在C解析器下使用。

    data = 'a,b,c~1,2,3~4,5,6'
    pd.read_csv(StringIO(data), lineterminator='~')
    

    2.37 quotechar(引号)

    quotechar: str (length 1), optional
    

    引号,用作标识开始和结束的字符,引号内的分割符将被忽略。

    pd.read_csv(file, quotechar = '"')
    

    2.38 quoting(引号常量)

    quoting: int or csv.QUOTE_* instance, default 0
    

    控制csv中的引号常量。可选 QUOTE_MINIMAL (0), QUOTE_ALL (1), QUOTE_NONNUMERIC (2) or QUOTE_NONE (3)

    import csv
    pd.read_csv('input_file.csv', quoting=csv.QUOTE_NONE)
    

    2.39 doublequote(双引号)

    doublequote: bool, default True
    

    双引号,当单引号已经被定义,并且quoting 参数不是QUOTE_NONE的时候,使用双引号表示引号内的元素作为一个元素使用。

    import csv
    pd.read_csv('data.csv', quotechar='"', doublequote=True, quoting=csv.QUOTE_NONNUMERIC)
    

    2.40 escapechar(不受分隔符限制)

    escapechar: str (length 1), optional
    

    当quoting 为QUOTE_NONE时,指定一个字符使的不受分隔符限值。

    pd.read_csv(StringIO(data), escapechar='\\', encoding='utf-8')
    

    2.41 comment(注释标识)

    comment: str, optional
    

    标识着多余的行不被解析。如果该字符出现在行首,这一行将被全部忽略。这个参数只能是一个字符,空行(就像skip_blank_lines=True)注释行被header和skiprows忽略一样。例如如果指定comment=’#’ 解析‘#empty\na,b,c\n1,2,3’ 以header=0 那么返回结果将是以’a,b,c’作为header。

    s = '# notes\na,b,c\n# more notes\n1,2,3'
    pd.read_csv(StringIO(s), sep=',', comment='#', skiprows=1)
    

    2.42 encoding(编码)

    encoding: str, optional
    

    指定字符集类型,通常指定为’utf-8’. List of Python standard encodings

    pd.read_csv('gairuo.csv', encoding='utf8')
    pd.read_csv("gairuo.csv",encoding="gb2312") # 常见中文
    # 其他常用编码 ISO-8859-1 latin-1 gbk
    

    2.43 encoding_errors

    encoding_errors: str, optional, default “strict”
    

    在这里插入图片描述

    2.44 dialect

    dialect: str or csv.Dialect, optional
    

    如果没有指定特定的语言,如果sep大于一个字符则忽略。具体查看csv.Dialect 文档

    import csv
    csv.register_dialect(
        'mydialect',
        delimiter = ',',
        quotechar = '"',
        doublequote = True,
        skipinitialspace = True,
        lineterminator = '\r\n',
        quoting = csv.QUOTE_MINIMAL)
    
    pd.read_csv("gr.csv", encoding="gbk", dialect='mydialect')
    

    2.45 error_bad_lines(坏行处理)

    error_bad_lines: bool, default None
    

    如果一行包含太多的列,容易出现错误,那么默认不会返回DataFrame ,如果设置成false,那么会将"坏行"剔除(只能在C解析器下使用)。

    pd.read_csv(StringIO(data), error_bad_lines=False)
    

    2.46 warn_bad_lines(坏行警告)

    warn_bad_lines: bool, default None
    

    如果error_bad_lines =False,并且warn_bad_lines =True 那么所有的“bad lines”将会被输出(只能在C解析器下使用)。

    pd.read_csv(StringIO(data), warn_bad_lines=False)
    

    2.47 on_bad_lines

    on_bad_lines: {‘error’, ‘warn’, ‘skip’}, default ‘error’
    

    在这里插入图片描述

    2.48 delim_whitespace(空格分隔符)

    delim_whitespace: bool, default False
    

    指定是否将空格(例如’‘或’\ t’)用作分隔符。 等效于设置sep =’\s+’。 如果此选项设置为True,则不应该为delimiter参数传递任何内容。

    pd.read_csv(StringIO(data), delim_whitespace=False)
    

    2.49 low_memory(低内存)

    low_memory: bool, default True
    

    分块加载到内存,再低内存消耗中解析。但是可能出现类型混淆。确保类型不被混淆需要设置为False。或者使用dtype 参数指定类型。注意使用chunksize 或者iterator 参数分块读入会将整个文件读入到一个Dataframe,而忽略类型(只能在C解析器中有效)

    pd.read_csv(StringIO(data), low_memory=False)
    

    2.50 memory_map(内存映射)

    memory_map: bool, default False 
    

    如果使用的文件在内存内,那么直接map文件使用。使用这种方式可以避免文件再次进行IO操作。

    pd.read_csv('gr.csv', low_memory=False)
    

    2.51 float_precison(高精度转换)

    float_precision:str, optional
    

    指定C引擎应使用哪个转换器进行浮点运算,对于普通转换器,选项为“None”或“high”,原始低精度转换器的“legacy”,以及 round-trip 换器的“ round_trip”。

    val = '0.3066101993807095471566981359501369297504425048828125'
    data = 'a,b,c\n1,2,{0}'.format(val)
    abs(pd.read_csv(StringIO(data), engine='c',float_precision='high')['c'][0] - float(val))
    

    2.52 storage_options(存储选项)

    storage_options:dict, optional
    

    注:pandas 1.2.0 新增。

    fsspec 还允许使用复杂的URL,以访问压缩档案中的数据,文件的本地缓存等。 要在本地缓存上面的示例,可以增加参数配置:

    #  Amazon S3, 安装支持库 fsspec
    pd.read_csv(
        "simplecache::s3://ncei-wcsd-archive/data/processed/SH1305/18kHz/"
        "SaKe2013-D20130523-T080854_to_SaKe2013-D20130523-T085643.csv",
        storage_options={"s3": {"anon": True}},
    )
    

    指定“anon”参数用于实现的“ s3”部分,而不是用于缓存实现。 请注意,仅在会话期间缓存到临时目录,但是您也可以指定永久存储。更多参数可参考fsspec文档

    注:pandas 1.3.0 新增。

    从fsspec未处理的远程URL(例如HTTP和HTTPS)读取时,传递到存储的字典将用于创建请求中包含的头()。这可用于控制用户代理标头(User-Agent header)或发送其他自定义标头。例如:

    headers = {"User-Agent": "pandas"}
    
    df = pd.read_csv(
        "https://download.bls.gov/pub/time.series/cu/cu.item",
        sep="\t",
        storage_options=headers
    )
    

    3.返回值

    DataFrame or TextParser

    ​  A comma-separated values (csv) file is returned as two-dimensional data structure with labeled axes.

    参考链接:

    1.https://www.gairuo.com/p/pandas-read-csv

    更多相关内容
  • 主要介绍了pandas.read_csv参数详解(小结),文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧
  • 基于jmeter5.3版本的csv data set config二次开发(实现从指定行开始读取)
  • Jmeter单线程如何循环获取CSV参数

    千次阅读 2021-02-27 20:57:17
    若while控制器或者循环控制器使用CSV Data Set Config配置元件,如何循环读取CSV参数 解决办法: 1、把线程组的循环次数设置为永远 2、把CVS Data Set Config 中 的 Recycle on EOF 设为False ,Stop thread on...

    背景:

    CSV Data Set Config配置元件默认情况下,读取的文件仅打开一次,每个线程读取该文件不同的行。行读取的顺序取决于请求执行的顺序。

     

    问题:

    while控制器或者循环控制器使用CSV Data Set Config配置元件,如何循环读取CSV参数

     

    解决办法:

    1、把线程组的循环次数设置为永远


    2、把CVS Data Set Config 中 的 Recycle on EOF 设为False ,Stop thread on EOF 设为Ture

    Recycle on EOF :读到文件末尾的时候是否结束
    Stop thread on EOF :读到文件末尾是否结束线程
    EOF :End Of File的缩写


    3、防止线程重复执行:线程的最后一个请求下增加BeanShell PostProcessor

    prev.setStopTestNow(true);

    注意:CVS Data Set Config  要放到while控制器或者循环控制器里面。线程的最后一个请求放到while控制器或者循环控制器外面。

    展开全文
  • 使用jmeter进行压力测试, 是比ab(s)方便多了(平时也只是用ab进行单个url的压力测试). jmete可以导入csv文件来指定多个参数. 我们先来做一个...

    使用jmeter进行压力测试, 是比ab(s)方便多了(平时也只是用ab进行单个url的压力测试).

    jmete可以导入csv文件来指定多个参数.

    我们先来做一个参数列表 "param_test.csv", 包含以下内容:

    id,width,height
    1,100,60
    2,200,140
    3,240,180
    4,320,240
    

    在Thread下我们建2个http请求: Add =>Sampler => HTTP Request

    一个填写完整的url, 一个填写相对url, 这两种清空下参数的填写是有一些区别的

    导入csv: Add => Config Element => CSV DATA SET Config

    关于并发参数的设置:

    上图中 Ramp-up period表示在多少秒内执行完毕

    如果设置并发10, LoopCount为1, 则只会执行第一组参数.

    关于 Same user on each iteration

    在 JMeter 中,user 就是线程,此选项的意思是说每个迭代都用相同的线程。

    这个得从老版本讲起,在以前 3.x 和 4.x 版本的 JMeter 中,是没有这个选项的。创建好 1 个线程后,每次迭代都是用这个线程,直到测试结束。它的影响就是,比如登录,加了 HTTP Cookie 管理器以后,单个线程多次迭代(注意不是多个线程哦)登录用的都是相同的 Cookie。

    5.x 版本加入了这个选项,可以控制每次迭代是否创建新的线程。

    • 选中: 每次循环用第一次的cookie,不再更新;可以理解为每次循环都是同一个用户。

    • 不选中: 每次循环都是用新的cookie值;可以理解为每次循环都是不同的用户。

    同时在 HTTP Cookie 管理器也增加了一个选项,控制是否清除旧 Cookie:

    销毁和创建线程本身就会占用资源,可能会影响性能测试结果

    展开全文
  • postman csv参数化的步骤+截图

    千次阅读 2020-05-23 18:19:12
    postman csv参数化的步骤+截图 步骤1:确定需要参数化的数据,用户名和密码 创建一个slxs表,把数据用户名和密码填入到里面 如: 步骤2:制作参数化的CSV文件 把填好的xlsx表保存后(最好是另存为),在把后缀改为...

    postman csv参数化的步骤+截图
    步骤1:确定需要参数化的数据,用户名和密码
    创建一个slxs表,把数据用户名和密码填入到里面
    如:
    在这里插入图片描述

    步骤2:制作参数化的CSV文件
    把填好的xlsx表保存后(最好是另存为),在把后缀改为csv
    在这里插入图片描述
    步骤3:替换变量(参数中替换、脚本中替换)
    变量名要和字段名一样
    在这里插入图片描述

    步骤4:执行,导入外包CSV文件,设置迭代次数,运行脚本,查看结果
    点击运行
    在这里插入图片描述
    选择模块和用户文件(注意是csv文件)
    在这里插入图片描述
    点击执行
    在这里插入图片描述
    结果
    在这里插入图片描述

    展开全文
  • 在python中读取csv文件时,一般操作如下: import pandas as pd pd.read_csv(filename) 该读文件方式,默认是以逗号“,”作为分割符,若是以其它分隔符,比如制表符“/t”...以上这篇pandas读取csv文件,分隔符参数se
  • pandas.read_csv参数详解.pdf
  • Postman(01):CSV参数化接口测试

    千次阅读 2019-06-25 11:10:33
    完成后将其另存为CSV格式,放在自己喜欢的路径下。我就直接放桌面了。 编辑请求 打开Postman,按图示方式设置变量参数: 设置参数化文件关联 在请求的文件夹上点击Run: 在弹出的新窗口中按如下方式进行...
  • pd.read_csv参数详解

    千次阅读 2019-03-31 10:24:54
    pd.read_csv参数详解 转自:https://www.cnblogs.com/datablog/p/6127000.html 参数: filepath_or_buffer : str,pathlib。str, pathlib.Path, py._path.local.LocalPath or any object with a read() method (such...
  • Jmeter ---CSV参数传递给BeanShell处理

    千次阅读 2019-11-11 11:07:43
    Jmeter通过CSV json参数传递给BeanShell处理接收到的值进行加密请求接口: 1.新建测试计划: (对于要处理加密Json格式的参数通过jar包进行加密,jar包像开发要) 将加密jar包放入到apache-jmeter-5.1.1\lib\ext...
  • Jmeter设计csv参数化批量执行接口用例(五)

    千次阅读 多人点赞 2020-04-26 23:29:13
    3、按照接口用例设计csv参数化数据表 比如sessionid为空或是userId为空等条件来进行设计 <1>我们先创建一个空的csv表 <2>加入我们所有可以进行参数化的数据 请求方式、路径、参数名称、参数值都可以...
  • pandas之read_csv参数详解

    千次阅读 2019-07-11 11:03:28
    最近发现pandas强大的惊人,只是不懂。...pandas.read_csv参数 Basic filepath_or_buffer : various sep : str, defaults to ‘,’ for read_csv(), \t for read_table() Regex example: ‘\r\t’. delimite...
  • pandas.read_csv参数整理   读取CSV(逗号分割)文件到DataFrame 也支持文件的部分导入和选择迭代 更多帮助参见:http://pandas.pydata.org/pandas-docs/stable/io.html 参数: filepath_or_buffer : str,...
  • pandas.read_csv参数超级详解,好多栗子!

    万次阅读 多人点赞 2018-07-26 12:13:52
    前言:相信很多和我一样初入数据处理的小伙伴们肯定不知道,原来习以为常的read_csv还有这么多方便快捷的骚参数,对,就是相当骚的那种骚   首先放出官方手册:点击打开链接,喜欢看英文原稿的同学可以直接看哦!...
  • 用Jmeter操作带有csv参数化的登陆 1.添加一个线程组 在测试计划上点击鼠标右键,选择添加-线程-线程组 在线程组设置页面去设置线程数 2.准备好csv数据 用记事本新建一个文件,user.csv 我这里准备了5组用户名和...
  • 当我们使用Jmeter工具进行接口测试,可利用CSV Data Set Config配置元件,对测试数据进行参数化,循环读取csv文档中每一行测试用例数据,来实现接口自动化。此种情况下,很多测试工程师只会人工地查看响应结果来判断...
  • jmeter做csv参数化,因为给的表格有60多个变量,我只想指定csv文件的某几列直接做参数化,我设置了几个参数化之后,发现(循环1次)他是按照表的列从左往右读取,而非按照表格的表头列名来定位关联的参数化。...
  • jmeter CSV参数化 请求结果乱码

    千次阅读 2018-07-06 15:40:07
    因为刚刚学习jmeter,在学习参数化的时候碰到了一个难题就是在请求数据这边出现乱码现象,上网查资料,将他们说的都全部试了一遍,包括:1.在CSV数据文件配置--将文件编码改为“gb2312”2.在CSV数据文件配置--将是否...
  • pandas.read_csv to_csv参数详解

    万次阅读 2017-04-23 11:10:17
    pandas.read_csv参数详解 pandas.read_csv参数整理   读取CSV(逗号分割)文件到DataFrame 也支持文件的部分导入和选择迭代 更多帮助参见:http://pandas.pydata.org/pandas-docs/stable/io.html 参数: ...
  • 给我一个csv文件,我想用jmeter做csv参数化,因为给的表格有60多个变量,我只想指定csv文件的某几列直接做参数化,我设置了几个参数化之后,发现(循环1次)他是按照表的列从左往右读取,而非按照表格的表头列名来...
  • pandas.read_csv参数整理

    万次阅读 2017-02-28 19:54:42
    pandas.read_csv参数整理   读取CSV(逗号分割)文件到DataFrame 也支持文件的部分导入和选择迭代 更多帮助参见:http://pandas.pydata.org/pandas-docs/stable/io.html 参数: filepath_or_buffer
  • 第一次写博客呀,莫名开心有木有 ,俗话说好记性不如烂笔头,学东西一定要自己动手实践,因为经常都是我以为的并不是我以为的,操作过才知道...自动化二:读取csv参数化文件(get请求+连接数据库)见下篇    
  • python pandas.read_csv参数详解

    千次阅读 2017-02-16 13:18:26
    定界符,备选分隔符(如果指定该参数,则sep参数失效) delim_whitespace : boolean, default False. 指定空格(例如’ ‘或者’ ‘)是否作为分隔符使用,等效于设定sep=’\s+’。如果这个参数设定为Ture那么...
  • 1.CSV参数化时读取第一个数据名字带? 2.解决方法 把第一组数据在重写一遍 忽略首行选True,默认是False。就OK了
  • df.to_csv("test.csv",encoding='utf-8',index=False) 在后面加上index = False即可 Write DataFrame to a comma-separated values (csv) file Parameters: path_or_buf : string or file ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 136,699
精华内容 54,679
关键字:

csv参数