使用 numpy.genfromtxt 读取包含逗号的字符串的 csv 文件

Posted 2023-02-23

【中文标题】使用 numpy.genfromtxt 读取包含逗号的字符串的 csv 文件

【英文标题】：Using numpy.genfromtxt to read a csv file with strings containing commas

【发布时间】：2013-07-29 18:55:46

【问题描述】：

我正在尝试使用 numpy.genfromtxt 读取 csv 文件，但其中一些字段是包含逗号的字符串。字符串用引号引起来，但 numpy 没有将引号识别为定义单个字符串。例如，使用 't.csv' 中的数据：

2012, "Louisville KY", 3.5
2011, "Lexington, KY", 4.0

代码

np.genfromtxt('t.csv', delimiter=',')

产生错误：

ValueError：检测到一些错误！ 第 2 行（得到 4 列而不是 3 列）

我要找的数据结构是：

array([['2012', 'Louisville KY', '3.5'],
       ['2011', 'Lexington, KY', '4.0']], 
      dtype='|S13')

查看文档，我没有看到任何处理此问题的选项。有没有办法用 numpy 来做，还是我只需要用 csv 模块读入数据，然后将其转换为 numpy 数组？

【问题讨论】：

你能发布更多完整的 csv，我想我知道如何解决你的问题 ;)

你应该改变你的 csv 替换分隔符从 , 到 ; 例如...

@SaulloCastro：我不能这样做，因为我的真实数据更加混乱，并且包含带有; 和/或您能想到的任何其他字符的字符串 - 这只是一个玩具示例。我正在寻找的是一个更通用的解决方案。

@EiyrioüvonKauyf：正如我所提到的，这只是一个说明问题的玩具示例，但我认为它具有所有基本功能。您到底在寻找什么？

【参考方案1】：

您可以为此使用pandas（在科学 python 中用于处理数据帧（异构数据）的成为默认库）。 read_csv 可以处理这个问题。来自文档：

引号：字符串

The character to used to denote the start and end of a quoted item. Quoted items 
can include the delimiter and it will be ignored.

默认值为"。一个例子：

In [1]: import pandas as pd

In [2]: from StringIO import StringIO

In [3]: s="""year, city, value
   ...: 2012, "Louisville KY", 3.5
   ...: 2011, "Lexington, KY", 4.0"""

In [4]: pd.read_csv(StringIO(s), quotechar='"', skipinitialspace=True)
Out[4]:
   year           city  value
0  2012  Louisville KY    3.5
1  2011  Lexington, KY    4.0

这里的诀窍是您还必须使用skipinitialspace=True 来处理逗号分隔符后的空格。

除了强大的 csv 阅读器之外，我还强烈建议您将 pandas 与您拥有的异构数据一起使用（您提供的 numpy 示例输出都是字符串，尽管您可以使用结构化数组）。

【讨论】：

太棒了，就像一个魅力。我听说过一些关于pandas 的信息，但之前从未尝试过——这似乎是一个很好的机会。顺便说一句，我试图让我的初始示例保持简单，但实际上我打算使用 np.recfromcsv 来获取结构化的 numpy 数组。

【参考方案2】：

附加逗号的问题，np.genfromtxt 没有解决这个问题。

一个简单的解决方案是从 python 的 csv 模块中读取带有 csv.reader() 的文件到一个列表中，然后根据需要将其转储到一个 numpy 数组中。

如果你真的想使用np.genfromtxt，请注意它可以使用迭代器而不是文件，例如np.genfromtxt(my_iterator, ...)。因此，您可以将 csv.reader 包装在迭代器中并将其提供给 np.genfromtxt。

会是这样的：

import csv
import numpy as np

np.genfromtxt(("\t".join(i) for i in csv.reader(open('myfile.csv'))), delimiter="\t")

这实质上只是用制表符即时替换了适当的逗号。

【讨论】：

嗯，我明白你在这里得到了什么，但我玩了一点，但仍然无法让它正常工作。无论如何，我想今天我会选择pandas 路线。无论如何，谢谢。

【参考方案3】：

如果您使用的是 numpy，您可能希望使用 numpy.ndarray。这会给你一个 numpy.ndarray：

import pandas
data = pandas.read_csv('file.csv').as_matrix()

Pandas 会正确处理“肯塔基州列克星敦”案

【讨论】：

请注意，如果这样做，第一行可能会丢失。第一行被视为数据框的列标签。

as_matrix() 将很快被弃用。请改用.values。

【参考方案4】：

结合标准csv module 和Numpy 的recfromcsv 的强大功能，制作一个更好的函数。例如csv模块对方言、引号、转义字符等有很好的控制和自定义，您可以将其添加到下面的示例中。

下面的示例 genfromcsv_mod 函数读取一个复杂的 CSV 文件，类似于 Microsoft Excel 看到的文件，其中可能包含引号字段中的逗号。在内部，该函数有一个生成器函数，它用制表符分隔符重写每一行。

import csv
import numpy as np

def recfromcsv_mod(fname, **kwargs):
    def rewrite_csv_as_tab(fname):
        with open(fname, newline='') as fp:
            dialect = csv.Sniffer().sniff(fp.read(1024))
            fp.seek(0)
            for row in csv.reader(fp, dialect):
                yield "\t".join(row)
    return np.recfromcsv(
        rewrite_csv_as_tab(fname), delimiter="\t", encoding=None, **kwargs)

# Use it to read a CSV file into a record array
x = recfromcsv_mod("t.csv", case_sensitive=True)

【讨论】：

我相信它应该是open(fname, 'r')，否则它会在传递字节而不是字符串时引发错误

@Guillaume 谢谢，这是针对 Python 2 的，但已针对 Python 3 进行了更新。

【参考方案5】：

你可以试试这个代码。我们正在从 np.genfromtext() 读取 .csv 文件 方法 代码：

myfile = np.genfromtxt('MyData.csv', delimiter = ',')
myfile = myfile.astype('int64')
print(myfile)

输出：

[[ 1  1  1  1  1  1  1  1  1  1  1]
 [ 3  3  3  3  3  3  3  3  3  3  3]
 [ 3  3  3  3  3  3  3  3  3  3  3]
 [ 4  4  4  4  4  4  4  4  4  4  4]
 [ 5  5  5  5  5  5  5  5  5  5  5]
 [ 6  6  6  6  6  6  6  6  6  6  6]
 [ 7  7  7  7  7  7  7  7  7  7  7]
 [ 8  8  8  8  8  8  8  8  8  8  8]
 [ 9  9  9  9  9  9  9  9  9  9  9]
 [10 10 10 10 10 10 10 10 10 10 10]
 [11 11 11 11 11 11 11 11 11 11 11]
 [12 12 12 12 12 12 12 12 12 12 12]
 [13 13 13 13 13 13 13 13 13 13 13]
 [14 14 14 14 14 14 14 14 14 14 14]
 [15 15 15 15 15 15 15 15 15 15 15]
 [16 17 18 19 20 21 22 23 24 25 26]]

输入文件“MyData.csv”

希望对您有所帮助??