Nano Hash - криптовалюты, майнинг, программирование

Индивидуально определите столбцы, которые будут цитироваться при записи в CSV с использованием pandas

Я хочу преобразовать свой фрейм данных pandas в файл csv. В моем фрейме данных более 100 столбцов разных типов данных и разных форматов (дата и число). Это затрудняет создание CSV-файла, отвечающего требованиям: строки в кавычках, числа и даты не в кавычках. Например, у меня есть такие значения даты: 24.07.2019 08:31:28.764000000, которые НЕ следует заключать в кавычки, но строки должны быть заключены в кавычки.

Я пробовал все разные комбинации панд to_csv():

  • quoting=csv.QUOTE_NONNUMERIC
  • quoting=csv.QUOTE_ALL
  • quoting=csv.QUOTE_MINIMAL
  • quoting=csv.QUOTE_NONE

Наиболее подходящим является QUOTE_NONNUMERIC, но даты, как указано выше, все равно указаны в кавычках.

Есть ли способ индивидуально определить, какие столбцы должны быть заключены в кавычки, а какие нет, без перебора всех значений?

python pandas csv export-to-csv
26.07.2019

  • Вы не сможете добиться такого цитирования с помощью to_csv(). Используйте csv.QUOTE_NONE, перебирайте каждую строку фрейма данных и записывайте в CSV-файл. Дополнительную информацию см. здесь. Медленно, но работает. 26.07.2019
Новые материалы
Кластеризация: более глубокий взгляд
Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..
Как написать эффективное резюме
Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..
Частный метод Python: улучшение инкапсуляции и безопасности
Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..
Как я автоматизирую тестирование с помощью Jest
Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..
Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..
Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..
Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..