如何从元组创建Pandas数据框架

Question

我有一个元组，名为a，其中有10个columns.Sample数据，如下所示

((12, '22', '32'),
Column-1    Column-2    Column-3    colum-4 Column-5    Colum-6 Colum-7 Week    ACCT_YEAR   NAME
12  22  32  …   …   …   …   51  2016    Name-1
12  22  32  …   …   …   …   51  2016    Name-2
12  22  32  …   …   …   …   51  2016    Name-3
12  22  32  …   …   …   …   51  2016    Name-4
12  22  32  …   …   …   …   51  2016    Name-5
12  22  32  …   …   …   …   51  2016    Name-6
12  22  32  …   …   …   …   52  2016    Name-7
12  22  32  …   …   …   …   52  2016    Name-8
12  22  32  …   …   …   …   52  2016    Name-9
12  22  32  …   …   …   …   52  2016    Name-10
12  22  32  …   …   …   …   52  2016    Name-11
12  22  32  …   …   …   …   52  2016    Name-12
12  22  32  …   …   …   …   52  2016    Name-13
12  22  32  …   …   …   …   52  2016    Name-14)

我想把它转换成熊猫数据框架。所以我用了下面的代码

y=pd.DataFrame(list(a))

但是y.shape正在显示2&在打印y之后，我看到它包含2行，其中第二行是列标题&第一行包含一些列的数据&对于其他列，没有列也比元组a有更多的列。你能建议我如何在python 3.6中正确地做这件事吗？

下面给出了.repr()的输出

((12, '22', '32'),       Column-1 Column-2 Column-3        Column-4 Column-5  \\\n1101         12      22         32  ...         ...   \n1102         12      22         32  ...         ...   \n1103         12      22         32  ...          ...   \n1104         12      22         32  ...          ...   \n1105         12      22         32  ...          ...   \n1106         12      22         32  ...          ...   \n1107         12      22         32  ...          ...   \n1108         12      22         32  ...          ...   \n1109         12      22         32  ...          ...   \n1110         12      22         32  ...          ...   \n1111         12      22         32  ...          ...   \n1112         12      22         32  ...          ...   \n1113         12      22         32  ...          ...   \n1114         12      22         32  ...          ...   \n1115         12      22         32  ...          ...   \n1116         12      22         32  ...          ...   \n1117         12      22         32  ...          ...   \n1118         12      22         32  ...          ...   \n1119         12      22         32  ...          ...   \n1120         12      22         32  ...          ...   \n1121         12      22         32  ...          ...   \n1122         12      22         32  ...          ...   \n1123         12      22         32  ...          ...   \n1124         12      22         32  ...          ...   \n1125         12      22         32  ...          ...   \n1126         12      22         32  ...          ...   \n1127         12      22         32  ...          ...   \n1128         12      22         32  ...          ...   \n\n     Column-6           Column-7   W20162016k 51CC51_Y201651R   \\\n1101   ...  ...  515151P325151M51            2016   \n1102   ...       ...           51            51   \n1103   ...        ...      0000453            2016   \n1104   ...        ...      0000512            2016   \n1105   ...      ...            51            51   \n1106   ...      ...            51            51   \n1107   ...      ...            51            51   \n1108   ...       ...           51            51   \n1109   ...        ...      0000561            2016   \n1110   ...        ...      0000871            2016   \n1111   ...      ...            51            51   \n1112   ...      ...            51            51   \n1113   ...      ...            51            51   \n1114   ...       ...           C51            51   \n1115   ...        ...      0000604            51   \n1116   ...      ...            51            51   \n1117   ...      ...            51            51   \n1118   ...       ...           511            51   \n1119   ...       ...           51            51   \n1120   ...       ...           51            51   \n1121   ...       ...           51            51   \n1122   ...       ...           51            51   \n1123   ...       ...           51            51   \n1124   ...       ...           51            51   \n1125   ...       ...           51            51   \n1126   ...       ...           51            51   \n1127   ...       ...           51            51   \n1128   ...       ...           5151            51   \n\n     N51M2016  \n1101                     C  \n1102                     C  \n1103                     C  \n1104                     C  \n1105                     C  \n1106                     C  \n1107                     C  \n1108                     C  \n1109                     C  \n1110                     C  \n1111                     C  \n1112                     C  \n1113                     C  \n1114                     C  \n1115                     C  \n1116                     C  \n1117                     C  \n1118                     C  \n1119                     C  \n1120                     C  \n1121                     C  \n1122                     C  \n1123                     C  \n1124                     C  \n1125                     C  \n1126                     C  \n1127                     C  \n1128                     C  )"

Answer 1

答案很大程度上取决于元组中的字符串。如果你复制的实际上是字符串中的内容，你必须将字符串转换成熊猫可以解析的东西，这就是为什么我添加了regex替换。

import pandas as pd
import io
import re
a = (('12','22','32'),
     """Column-1    Column-2    Column-3    colum-4 Column-5    Colum-6 Colum-7 Week    ACCT_YEAR   NAME
12  22  32  …   …   …   …   51  2016    Name-1
12  22  32  …   …   …   …   51  2016    Name-2
12  22  32  …   …   …   …   51  2016    Name-3""")
# The following substitution is only valid if there are absolutely no spaces in values
b = re.sub(string=a[1], pattern=' +', repl=',')
y = pd.read_csv(io.StringIO(b))
y

注意:这个答案假设元组a中的第一个值不是应该读入DataFrame的数据的一部分。这使得我们更关注如何将保存在字符串中的数据读入pandas.DataFrame而不是元组。