使用 Pandas 将 CSV 读入具有不同行长的数据帧

Posted 2023-03-11

【中文标题】使用 Pandas 将 CSV 读入具有不同行长的数据帧

【英文标题】：Read CSV into a dataFrame with varying row lengths using Pandas

【发布时间】：2019-08-03 09:46:12

【问题描述】：

所以我有一个看起来有点像这样的 CSV：

1 | 01-01-2019 | 724
2 | 01-01-2019 | 233 | 436
3 | 01-01-2019 | 345
4 | 01-01-2019 | 803 | 933 | 943 | 923 | 954
5 | 01-01-2019 | 454
...

当我尝试使用以下代码生成数据帧时..

df = pd.read_csv('data.csv', header=0, engine='c', error_bad_lines=False)

它只将 3 列的行添加到 df（上面的第 1、3 和 5 行）

其余的被认为是“坏行”，给我以下错误：

Skipping line 17467: expected 3 fields, saw 9

如何在我的 csv 中创建一个包含 所有 数据的数据框，可能只是用 null 填充空单元格？还是我必须在添加到 df 之前声明最大行长度？

谢谢！

【问题讨论】：

您将需要低于最大长度的行才能有空列，因此在普通的csv 中类似于a,b,c,,,,

【参考方案1】：

如果您知道数据包含N 列，您可以 通过names 参数提前告诉 Pandas 需要多少列：

import pandas as pd
df = pd.read_csv('data', delimiter='|', names=list(range(7)))
print(df)

产量

   0             1    2      3      4      5      6
0  1   01-01-2019   724    NaN    NaN    NaN    NaN
1  2   01-01-2019   233  436.0    NaN    NaN    NaN
2  3   01-01-2019   345    NaN    NaN    NaN    NaN
3  4   01-01-2019   803  933.0  943.0  923.0  954.0
4  5   01-01-2019   454    NaN    NaN    NaN    NaN

如果您对列数有上限N，那么您可以 让 Pandas 读取 N 列，然后使用 dropna 删除完全空的列：

import pandas as pd
df = pd.read_csv('data', delimiter='|', names=list(range(20))).dropna(axis='columns', how='all')
print(df)

产量

   0             1    2      3      4      5      6
0  1   01-01-2019   724    NaN    NaN    NaN    NaN
1  2   01-01-2019   233  436.0    NaN    NaN    NaN
2  3   01-01-2019   345    NaN    NaN    NaN    NaN
3  4   01-01-2019   803  933.0  943.0  923.0  954.0
4  5   01-01-2019   454    NaN    NaN    NaN    NaN

请注意，这可能会从数据集的中间删除列（不仅仅是 右侧的列）如果它们完全为空。

【讨论】：

由于某种原因，其他解决方案对我不起作用，但添加 names 参数就可以了，干杯！

添加名称对我有用，因为我在大型 csv 中有不规则的列。谢谢！

【参考方案2】：

colnames= [str(i) for i in range(9)]
df = pd.read_table('data.csv', header=None, sep=',', names=colnames)

如果代码出现错误，请将列名中的 9 更改为数字 x

Skipping line 17467: expected 3 fields, saw x

【参考方案3】：

考虑使用 Python csv 来完成导入数据和格式修饰的提升。您可以实现自定义方言来处理不同的 csv-ness。

import csv
import pandas as pd

csv_data = """1 | 01-01-2019 | 724
2 | 01-01-2019 | 233 | 436
3 | 01-01-2019 | 345
4 | 01-01-2019 | 803 | 933 | 943 | 923 | 954
5 | 01-01-2019 | 454"""

with open('test1.csv', 'w') as f:
    f.write(csv_data)

csv.register_dialect('PipeDialect', delimiter='|')
with open('test1.csv') as csvfile:
    data = [row for row in csv.reader(csvfile, 'PipeDialect')]
df = pd.DataFrame(data = data)

为您提供 csv 导入方言和以下 DataFrame：

    0             1      2      3      4      5     6
0  1    01-01-2019     724   None   None   None  None
1  2    01-01-2019    233     436   None   None  None
2  3    01-01-2019     345   None   None   None  None
3  4    01-01-2019    803    933    943    923    954
4  5    01-01-2019     454   None   None   None  None

剩下的练习是处理输入文件中的空白填充。

【讨论】：

自我说明：pandas.read_csv(engine=) 将使用 python 的 csv 模块（如果指定）。

【参考方案4】：

读取固定宽度应该可以工作：

from io import StringIO

s = '''1  01-01-2019  724
2  01-01-2019  233  436
3  01-01-2019  345
4  01-01-2019  803  933  943  923  954
5  01-01-2019  454'''


pd.read_fwf(StringIO(s), header=None)

   0           1    2      3      4      5      6
0  1  01-01-2019  724    NaN    NaN    NaN    NaN
1  2  01-01-2019  233  436.0    NaN    NaN    NaN
2  3  01-01-2019  345    NaN    NaN    NaN    NaN
3  4  01-01-2019  803  933.0  943.0  923.0  954.0
4  5  01-01-2019  454    NaN    NaN    NaN    NaN

或使用delimiter 参数

s = '''1 | 01-01-2019 | 724
2 | 01-01-2019 | 233 | 436
3 | 01-01-2019 | 345
4 | 01-01-2019 | 803 | 933 | 943 | 923 | 954
5 | 01-01-2019 | 454'''


pd.read_fwf(StringIO(s), header=None, delimiter='|')

   0             1    2      3      4      5      6
0  1   01-01-2019   724    NaN    NaN    NaN    NaN
1  2   01-01-2019   233  436.0    NaN    NaN    NaN
2  3   01-01-2019   345    NaN    NaN    NaN    NaN
3  4   01-01-2019   803  933.0  943.0  923.0  954.0
4  5   01-01-2019   454    NaN    NaN    NaN    NaN

请注意，对于您的实际文件，您不会使用StringIO，您只需将其替换为您的文件路径：pd.read_fwf('data.csv', delimiter='|', header=None)

【参考方案5】：

在 csv 文件的顶部添加额外的列（空的或其他的）。 Pandas 将第一行作为默认大小，低于它的任何内容都将具有 NaN 值。示例：

文件.csv：

a,b,c,d,e
1,2,3
3
2,3,4

代码：

>>> import pandas as pd
>>> pd.read_csv('file.csv')
   a    b    c   d   e
0  1  2.0  3.0 NaN NaN
1  3  NaN  NaN NaN NaN
2  2  3.0  4.0 NaN NaN

【参考方案6】：

如果只使用pandas，读入行，处理后面的分隔符。

import pandas as pd

df = pd.read_csv('data.csv', header=None, sep='\n')
df = df[0].str.split('\s\|\s', expand=True)

   0           1    2     3     4     5     6
0  1  01-01-2019  724  None  None  None  None
1  2  01-01-2019  233   436  None  None  None
2  3  01-01-2019  345  None  None  None  None
3  4  01-01-2019  803   933   943   923   954
4  5  01-01-2019  454  None  None  None  None

【讨论】：

非常紧凑！是否有一种简单的方法来处理包含分隔符的文本行？我认为逗号作为分隔符和包含逗号的文本，或者在 OP 的情况下类似于 2 | 01-01-2019 | "Two | | lines" | 123 | text