pandas.read_fwf(filepath_or_buffer, colspecs='infer', widths=None, infer_nrows=100, **kwds) 源代码
将具有固定宽度格式的行组成的表读入DataFrame。
还支持可选的文件迭代或分割成块。
可以在online docs for IO Tools中找到其他帮助
参数: | filepath_or_buffer : 任何有效的字符串路径都是可接字符串可以是URL。 有效的URL方案包括 需要主机。本地文件可以是： 如果要传入路径对象， pandas接受 通过类似文件的对象，我们使用 例如，文件处理程序（例如，通过内置的open函数）或 colspecs : 元组（int，int）或‘ 一个元组列表，给出每行固定宽度字段的范围为半开间隔（即 字符串值' 跳过的数据的前100行检测列规范。 widths : int列表，可选 如果间隔是连续的，则可以使用字段宽度列表(list)代替' infer_nrows :int，默认为100 让解析器确定 版本0.24.0中的新功能。 **kwds : 可选 可选的关键字参数可以传递给 |
返回: |
逗号分隔值（csv）文件作为具有标记轴的二维数据结构返回。 |
例子，
col_names = ['line_name', 'year', 'day', 'hour', 'minute', 'second',
'sensor', 'spring_tension', 'cross_coupling',
'raw_beam', 'vcc', 'al', 'ax', 've2', 'ax2', 'xacc2',
'lacc2', 'xacc', 'lacc', 'par_port', 'platform_period']
col_widths = [10, 4, 3, 2, 2, 2, 8, 8, 7, 8, 8, 8, 8, 8, 8, 8, 8, 8, 8,
8, 6]
time_columns = ['year', 'day', 'hour', 'minute', 'second']
# read into dataframe
df = pd.read_fwf('data.csv', widths=col_widths, names=col_names)
day_fmt = lambda x: '{:03d}'.format(x)
time_fmt = lambda x: '{:02d}'.format(x)
t = df['year'].map(str) + df['day'].map(day_fmt) + \
df['hour'].map(time_fmt) + df['minute'].map(time_fmt) + \
df['second'].map(time_fmt)
# index by datetime
df.index = pd.to_datetime(t, format='%Y%j%H%M%S')
df.drop(time_columns, axis=1, inplace=True)