نام (NAME)

clevercsv-explore - کاوش فایل CSV در یک شل تعاملی Python

خلاصه دستور (SYNOPSIS)

clevercsv explore [-e ENCODING | --encoding=ENCODING]
                  [-n NUM_CHARS | --num-chars=NUM_CHARS] [-p | --pandas] <path>

توضیحات (DESCRIPTION)

دستور explore به شما امکان می‌دهد تا یک فایل CSV را به‌سرعت در یک شل تعاملی Python کاوش کنید. این دستور گویش (dialect) فایل CSV را تشخیص داده و شما را با فایل CSVِ از پیش بارگذاری‌شده، وارد یک شل تعاملی Python (محیط REPL) می‌کند. برای شروع تنها کافی است دستور زیر را اجرا کنید:

clevercsv explore FILE

تا کار با فایل بارگذاری‌شده به‌صورت لیستی از لیست‌ها آغاز شود. متناوباً، می‌توانید دستور زیر را اجرا کنید:

clevercsv explore -p FILE

تا فایل به‌صورت یک DataFrame در Pandas خوانده شود.

گزینه‌ها (OPTIONS)

-h, --help

نمایش این پیام راهنما و خروج

-e, --encoding

کدگذاری فایل CSV داده‌شده به‌طور خودکار با استفاده از chardet شناسایی می‌شود. با وجود این‌که chardet بسیار دقیق است، اما بی‌نقص نیست. در موارد نادری که این ابزار در تشخیص کدگذاری فایل دچار اشتباه می‌شود، می‌توانید با ارائه کدگذاری از طریق این پرچم، آن را بازنویسی کنید. علاوه بر این، هنگامی که تعدادی فایل CSV با کدگذاری مشخص دارید، می‌توانید با استفاده از این گزینه به فرایند تولید کد سرعت ببخشید.

-n, --num-chars

در فایل‌های بزرگ CSV، تشخیص گویش گاهی ممکن است به دلیل تعداد زیاد گویش‌های احتمالی جهت بررسی، کمی کُند باشد. برای کاهش این مشکل، می‌توانید تعداد نویسه‌های مورد استفاده برای تشخیص را محدود کنید.

نکته‌ای که باید به خاطر داشت این است که ممکن است CleverCSV برای استنتاج صحیح گویش، نیاز به خواندن تعداد مشخصی نویسه داشته باشد. برای مثال، در فایل ``imdb.csv`` در مخزن GitHub، گویش صحیح تنها پس از خواندن حداقل ۶۶ خط از فایل قابل شناسایی است. بنابراین، اگر امکان اجرای CleverCSV روی کل فایل وجود دارد، به‌طور کلی انجام این کار توصیه می‌شود.

-p, --pandas

به‌طور پیش‌فرض، این دستور فایل CSV را به‌صورت لیستی از لیست‌ها وارد می‌کند. با فعال‌سازی این گزینه، اسکریپت به‌گونه‌ای نوشته می‌شود که فایل به‌جای آن به‌صورت یک Pandas DataFrame خوانده شود.

<path>

مسیر فایل CSV

CLEVERCSV

بخشی از مجموعه CleverCSV