将csv文件中某一列中的值赋值为数字

可以使用Python中的pandas库来实现将csv文件中某一列中的值赋值为数字。假设需要将csv文件名为data.csv中的第二列中的值赋值为数字，可以按照以下步骤进行操作：

1. 导入pandas库

import pandas as pd

2. 读取csv文件

df = pd.read_csv('data.csv')

3. 将第二列中的值赋值为数字

df['第二列'] = pd.to_numeric(df['第二列'], errors='coerce')

其中，`pd.to_numeric()`函数用于将指定列中的字符串转换为数字。`errors='coerce'`参数表示如果转换失败，则将该值替换为NaN。

4. 将修改后的数据保存到新的csv文件

df.to_csv('new_data.csv', index=False)

其中，`index=False`参数表示不将行索引保存到csv文件中。

完整代码如下：

import pandas as pd

df = pd.read_csv('data.csv')
df['第二列'] = pd.to_numeric(df['第二列'], errors='coerce')
df.to_csv('new_data.csv', index=False)

相关问题

用python将csv文件中乱码的用户列重新赋值。最后从1开始用数字代替现有的用户id，不删除重复，用相同数字代替相同id,跳过第一行

假设原始csv文件名为data.csv，乱码的用户列名为"用户"，可以使用以下代码实现：

import csv

# 读取csv文件
with open('data.csv', 'r', newline='', encoding='utf-8') as f:
    reader = csv.reader(f)
    rows = list(reader)

# 获取用户列的索引
header = rows[0]
user_index = header.index('用户')

# 重新赋值用户列并用数字代替
user_dict = {}
for i in range(1, len(rows)):
    user = rows[i][user_index]
    if user not in user_dict:
        user_dict[user] = len(user_dict) + 1
    rows[i][user_index] = user_dict[user]

# 写入新的csv文件
with open('new_data.csv', 'w', newline='', encoding='utf-8') as f:
    writer = csv.writer(f)
    writer.writerows(rows)

这段代码首先读取原始csv文件，然后获取"用户"列的索引。接着遍历每一行数据，将"用户"列的值去重并用数字代替，同时记录每个用户对应的数字。最后将新的数据写入一个新的csv文件中。

1用python将csv文件中乱码的用户列重新赋值。最后从1开始用数字代替现有的用户id，不删除重复，用相同数字代替相同id 2.统一两种算法的用户列id排列方式，然后对比两种算法对同一首歌的推荐结果。最好能用图表展示出来。 3.将scipy中的svd计算方式封装成一个单独的模块，放到自己的一个py文件中。可以被调用。

1.

import csv

def fix_user_column(csv_file):
    user_dict = {}
    new_user_id = 1
    with open(csv_file, 'r', encoding='utf-8') as file:
        reader = csv.reader(file)
        rows = [row for row in reader]
        for row in rows:
            user = row[0]
            if user not in user_dict:
                user_dict[user] = new_user_id
                new_user_id += 1
            row[0] = user_dict[user]
    with open(csv_file, 'w', encoding='utf-8', newline='') as file:
        writer = csv.writer(file)
        writer.writerows(rows)

fix_user_column('data.csv')

2.

import pandas as pd
import matplotlib.pyplot as plt

def compare_recommendations(algorithm1_file, algorithm2_file, song_id):
    df1 = pd.read_csv(algorithm1_file)
    df2 = pd.read_csv(algorithm2_file)
    df1 = df1[df1['song_id'] == song_id]
    df2 = df2[df2['song_id'] == song_id]
    merged_df = pd.merge(df1, df2, on='user_id')
    merged_df = merged_df[['user_id', 'algorithm1_score', 'algorithm2_score']]
    merged_df.plot(kind='bar', x='user_id')
    plt.show()

compare_recommendations('algorithm1.csv', 'algorithm2.csv', '1234')

3.

from scipy.sparse.linalg import svds

def svd_factorization(matrix, k):
    u, s, vt = svds(matrix, k=k)
    return u, s, vt

该函数可以被调用，前提是导入了 `scipy` 包。