Python 如何将值列表写入一个"；单元格“；在csv文件中？

我有一个循环，为每次迭代生成一个值列表。我希望将该值列表保存为csv“单元格”中的单个字符串。具体而言，我所拥有的是：

index,username,user_id,data
1,name1,1,[string1,string2,string3,string4,...]
2,name2,2,[string5,string6,string7,string8,...]
...

资料

get_data

返回字符串列表。与以逗号分隔的方式将这些字符串写入csv文件不同，我希望以嵌套方式将它们写入csv文件。如下所示：

index,username,user_id,data
1,name1,1,[string1,string2,string3,string4,...]
2,name2,2,[string5,string6,string7,string8,...]
...

更新：

---

我希望将结果存储在此表单中的原因之一是，我计划为每个用户保存更多数据。此数据的长度可能与my

get_data

调用的输出长度不同。

解决问题的两个关键概念：

熊猫

.to_csv（）

在自动报价方面非常聪明。即使数据包含文字引号或逗号，在不更改默认分隔符的情况下读取/写入csv文件也不会有问题

读取这种格式的问题：最初是列表的数据单元在csv文件中存储为字符串，因此它们作为字符串加载

ast.literal\u eval（）

可以将列表的字符串表示形式转换回列表警告：此度量可能容易受到脏数据的攻击。确保在保存csv文件之前执行数据清理。

实验代码

import pandas as pd
import ast  # for literal string parsing

# data
df = pd.DataFrame(
    data={
        "index": range(1,5),
        "username": [f"name{i}" for i in range(4)],
        "user_id": range(1,5),
        # initialize each data cell with an empty list
        "data": [list() for _ in range(4)]
    }
)

# use `.at[]` to append some values
df.at[0, "data"] += [1, 2, 3]
df.at[2, "data"] += [4]
# mixed types, quotes and commas
df.at[3, "data"] += [1, '"', -3.3, "'", ",,,", ";"]

print(df)

# save
file_path = "/mnt/ramdisk/out.csv"
df.to_csv(file_path)

# load
df_read = pd.read_csv(file_path, index_col=0)
# parse, because contents in data cells were loaded as strings
for i in range(len(df_read)):
    s = df_read.iat[i, 3]
    print(f"row {i} before: {type(s)}")
    df_read.iat[i, 3] = ast.literal_eval(s)
    print(f"       after: {type(s)}, len={len(s)}")

print(df_read)  # identical to df

# check elements within list
ls = df_read.iat[3,3]
for i in range(len(ls)):
    print(f"row {i}: {type(ls[i])}, contents={ls[i]}")

结果

（0）原始数据帧（未打印引用，但不影响数据本身）

（1） 原始csv文件

bill@bill-laptop-deb: /mnt/ramdisk
$ cat out.csv                                                                                                                                                    
,index,username,user_id,data
0,1,name0,1,"[1, 2, 3]"
1,2,name1,2,[]
2,3,name2,3,[4]
3,4,name3,4,"[1, '""', -3.3, ""'"", ',,,', ';']"

（2） 用python重新加载文件

df_read  # identical to input
Out[8]: 
index username  user_id                     data
0      1    name0        1                [1, 2, 3]
1      2    name1        2                       []
2      3    name2        3                      [4]
3      4    name3        4  [1, ", -3.3, ', ,,,, ;]

（3） LibreOffice 6也正确导入csv文件

（4） 对加载的数据进行类型检查

ls = df_read.iat[3,3]  # a mixed-up list
for i in range(len(ls)):
    print(f"row {i}: {type(ls[i])}, contents={ls[i]}")

row 0: <class 'int'>, contents=1
row 1: <class 'str'>, contents="
row 2: <class 'float'>, contents=-3.3
row 3: <class 'str'>, contents='
row 4: <class 'str'>, contents=,,,
row 5: <class 'str'>, contents=;

ls=df_read.iat[3,3]#一个混合列表
对于范围内的i（len（ls））：
打印（f“行{i}:{type（ls[i]）}，内容={ls[i]}”）
第0行：，内容=1
第1行：，内容=“
第2行：，内容=-3.3
第3行：，内容=
第4行：，内容=，，，
第5行：，内容=；

可以看出，尽管引用/转义使文件很难被人阅读，但对熊猫和图书馆办公室来说，这应该不是问题

---

旁注：出于可追溯性和数据完整性的考虑，强烈建议使用数据库。这种连续的数据扩充场景正是数据库系统设计的目的。如果您的项目独立运行，SQLite应该是一个轻量级的选择，在部署方面相对容易。

这一问题的两个关键概念ms:

Pandas

.to_csv（）

在自动引用方面非常聪明。在不更改默认分隔符的情况下读取/写入csv文件应该没有问题，即使数据包含文字引号或逗号

读取这种格式时出现问题：最初是列表的数据单元在csv文件中存储为字符串，因此它们被加载为字符串。

ast.literal_eval（）

可以将列表的字符串表示形式转换回列表。警告：此度量可能容易受到脏数据的攻击。请确保在保存csv文件之前执行数据清理。

实验代码

import pandas as pd
import ast  # for literal string parsing

# data
df = pd.DataFrame(
    data={
        "index": range(1,5),
        "username": [f"name{i}" for i in range(4)],
        "user_id": range(1,5),
        # initialize each data cell with an empty list
        "data": [list() for _ in range(4)]
    }
)

# use `.at[]` to append some values
df.at[0, "data"] += [1, 2, 3]
df.at[2, "data"] += [4]
# mixed types, quotes and commas
df.at[3, "data"] += [1, '"', -3.3, "'", ",,,", ";"]

print(df)

# save
file_path = "/mnt/ramdisk/out.csv"
df.to_csv(file_path)

# load
df_read = pd.read_csv(file_path, index_col=0)
# parse, because contents in data cells were loaded as strings
for i in range(len(df_read)):
    s = df_read.iat[i, 3]
    print(f"row {i} before: {type(s)}")
    df_read.iat[i, 3] = ast.literal_eval(s)
    print(f"       after: {type(s)}, len={len(s)}")

print(df_read)  # identical to df

# check elements within list
ls = df_read.iat[3,3]
for i in range(len(ls)):
    print(f"row {i}: {type(ls[i])}, contents={ls[i]}")

结果

（0）原始数据帧（未打印引用，但不影响数据本身）

（1） 原始csv文件

bill@bill-laptop-deb: /mnt/ramdisk
$ cat out.csv                                                                                                                                                    
,index,username,user_id,data
0,1,name0,1,"[1, 2, 3]"
1,2,name1,2,[]
2,3,name2,3,[4]
3,4,name3,4,"[1, '""', -3.3, ""'"", ',,,', ';']"

（2） 用python重新加载文件

df_read  # identical to input
Out[8]: 
index username  user_id                     data
0      1    name0        1                [1, 2, 3]
1      2    name1        2                       []
2      3    name2        3                      [4]
3      4    name3        4  [1, ", -3.3, ', ,,,, ;]

（3） LibreOffice 6也正确导入csv文件

（4） 对加载的数据进行类型检查

ls = df_read.iat[3,3]  # a mixed-up list
for i in range(len(ls)):
    print(f"row {i}: {type(ls[i])}, contents={ls[i]}")

row 0: <class 'int'>, contents=1
row 1: <class 'str'>, contents="
row 2: <class 'float'>, contents=-3.3
row 3: <class 'str'>, contents='
row 4: <class 'str'>, contents=,,,
row 5: <class 'str'>, contents=;

ls=df_read.iat[3,3]#一个混合列表
对于范围内的i（len（ls））：
打印（f“行{i}:{type（ls[i]）}，内容={ls[i]}”）
第0行：，内容=1
第1行：，内容=“
第2行：，内容=-3.3
第3行：，内容=
第4行：，内容=，，，
第5行：，内容=；

可以看出，尽管引用/转义使文件很难被人阅读，但对熊猫和图书馆办公室来说，这应该不是问题

---

旁注：为了可追溯性和数据完整性，强烈建议使用数据库。这种连续的数据扩充场景正是数据库系统设计的目的。如果您的项目独立运行，SQLite应该是一个轻量级的选择，在部署方面相对容易。

IMHO，这将是一个非常糟糕的存储

csv

的方法，因为它破坏了您的csv结构。我必须承认，我也不是特别喜欢它。但是，如果不使用不同的文件类型或数据库，您将如何存储它呢？每个用户有多行，每个行对应

get_data

响应中的一个字符串。或者只对值使用不同的分隔符，即

为每个用户使用多行将使添加不同长度的数据变得困难或混乱。代码中包含了什么内容；分隔符看起来像？嗯，这将是一个非常糟糕的方式来存储
csv
，因为它破坏了您的csv结构。我必须承认，我也不是特别喜欢它。但是，如果不使用不同的文件类型或数据库，您将如何存储它呢？每个用户有多行，每个行对应
get_data
响应中的一个字符串。或者只对值使用不同的分隔符，即
为每个用户使用多行将使添加不同长度的数据变得困难或混乱。代码中包含了什么内容；分隔符看起来像什么？再次警告：不要为了生产目的而这样做。这并没有针对所有类型的脏数据进行广泛的测试。只需将它们存储在数据库中。再次警告：不要出于生产目的而这样做。这并没有针对所有类型的脏数据进行广泛的测试。只需将它们存储在数据库中。