python：在对一个小数据集进行采样之后，数据被添加到一个额外的列中

这对我来说很奇怪：

我有一个5列csv数据集，前几行如下：

1,2268318,2520377,pv,1511544070
1,2333346,2520771,pv,1511561733
1,2576651,149192,pv,1511572885
1,3830808,4181361,pv,1511593493
1,4365585,2520377,pv,1511596146
1,4606018,2735466,pv,1511616481

对数据进行采样的代码：

df = pd.read_csv(
        filename,
        header=0
        )
ddf = df.sample(n=100150)
ddf.to_csv(samplename, sep=',')

生成的采样文件如下所示：

1,2268318,2520377,pv,1511544070
50533941,564438,1311198,2806049,pv,1511700754
53243335,689136,111697,154040,pv,1512264559
68168213,452960,119903,1151115,pv,1511711183
18695132,942795,2288684,1526856,pv,1511594854

您可以看到，由于某些奇怪的原因，采样数据包含除第一行（第一行是正确的）之外的6列

代码怎么了？如何获得随机生成的样本（比例可调）

我正在spyder/pycharm中使用python 3.6

---

谢谢。

我认为问题在于您的第一个数据行被设置为列名称

import pandas as pd

temp=u"""1,2268318,2520377,pv,1511544070
1,2333346,2520771,pv,1511561733
1,2576651,149192,pv,1511572885
1,3830808,4181361,pv,1511593493
1,4365585,2520377,pv,1511596146
1,4606018,2735466,pv,1511616481"""
#after testing replace 'pd.compat.StringIO(temp)' to 'filename.csv'
df = pd.read_csv(pd.compat.StringIO(temp), header=None)

print (df)
   0        1        2   3           4
0  1  2268318  2520377  pv  1511544070
1  1  2333346  2520771  pv  1511561733
2  1  2576651   149192  pv  1511572885
3  1  3830808  4181361  pv  1511593493
4  1  4365585  2520377  pv  1511596146
5  1  4606018  2735466  pv  1511616481

因此，需要将默认

RangeIndex

列名称的

header=0

更改为

header=None

import pandas as pd

temp=u"""1,2268318,2520377,pv,1511544070
1,2333346,2520771,pv,1511561733
1,2576651,149192,pv,1511572885
1,3830808,4181361,pv,1511593493
1,4365585,2520377,pv,1511596146
1,4606018,2735466,pv,1511616481"""
#after testing replace 'pd.compat.StringIO(temp)' to 'filename.csv'
df = pd.read_csv(pd.compat.StringIO(temp), header=None)

print (df)
   0        1        2   3           4
0  1  2268318  2520377  pv  1511544070
1  1  2333346  2520771  pv  1511561733
2  1  2576651   149192  pv  1511572885
3  1  3830808  4181361  pv  1511593493
4  1  4365585  2520377  pv  1511596146
5  1  4606018  2735466  pv  1511616481

额外的第一列称为索引，如果需要将其删除（如果将

DataFrame

写入

csv

则使用参数

index=False

），对于删除列名称

header=None

：

df.to_csv(file, index=False, header=None)

1,2268318,2520377,pv,1511544070
1,2333346,2520771,pv,1511561733
1,2576651,149192,pv,1511572885
1,3830808,4181361,pv,1511593493
1,4365585,2520377,pv,1511596146
1,4606018,2735466,pv,1511616481

编辑：

我建议创建自定义列名称，以便通过参数

names

（不需要

header=None

）更轻松地处理数据，并删除一些列：

---

谢谢你的快速回答。但不正确，新数据集变为：，0,1,2,3,4 25371519763810460074756105，pv，1511606930以某种方式添加了一个额外的列。该额外列称为索引，如果需要在写入csv时使用

df.to_csv（文件，索引=False，标题=无）

谢谢。df=pd.read_csv（filename，index=False，header=None）TypeError:parser_f（）得到一个意外的关键字参数'index'@Choix-在read_csv中，没有参数

index

，因为每个数据帧都有索引，默认范围为index。如果仅写入csv，则可以删除。非常感谢@jezrael。我建议您阅读和的文档。在这里，您会注意到

read\u csv

的

header=0

是默认值，这意味着第一行被视为标题。您很可能希望

header=None

。