Python Pandas：标记数据时出错。 C 错误：读取 1GB CSV 文件时字符串中的 EOF 开始

Posted 2023-03-11

【中文标题】Python Pandas：标记数据时出错。 C 错误：读取 1GB CSV 文件时字符串中的 EOF 开始

【英文标题】：Python Pandas: Error tokenizing data. C error: EOF inside string starting when reading 1GB CSV file

【发布时间】：2018-03-31 06:14:56

【问题描述】：

我正在以 10,000 行的块读取一个 1 GB 的 CSV 文件。该文件有 1106012 行和 171 列，其他较小的文件没有显示任何错误并成功完成，但是当我读取这个 1 GB 文件时，它每次都显示错误，正好是第 1106011 行，这是文件的倒数第二行，我可以手动删除该行，但这不是解决方案，因为我有数百个相同大小的其他文件，我无法手动修复所有行。谁能帮帮我。

def extract_csv_to_sql(input_file_name, header_row, size_of_chunk, eachRow):

        df = pd.read_csv(input_file_name,
                         header=None,
                         nrows=size_of_chunk,
                         skiprows=eachRow,
                         low_memory=False,
                         error_bad_lines=False,
                         sep=',')
                         # engine='python'
                         # quoting=csv.QUOTE_NONE
                         # encoding='utf-8'

        df.columns = header_row
        df = df.drop_duplicates(keep='first')
        df = df.apply(lambda x: x.astype(str).str.lower())

        return df

然后我在一个循环中调用这个函数并且工作得很好。

huge_chunk_return = extract_csv_to_sql(huge_input_filename, huge_header_row, the_size_of_chunk_H, each_Row_H)

我读过这个Pandas ParserError EOF character when reading multiple csv files to HDF5、这个read_csv() & EOF character in string cause parsing issue和这个https://github.com/pandas-dev/pandas/issues/11654等等，并尝试包含read_csv参数，例如

engine='python'

quoting=csv.QUOTE_NONE // 挂起，甚至 python shell，不知道为什么

encoding='utf-8'

但没有一个成功，它仍然抛出以下错误

错误：

Traceback (most recent call last):
  File "C:\Users\WCan\Desktop\wcan_new_python\pandas_test_3.py", line 115, in <module>
    huge_chunk_return = extract_csv_to_sql(huge_input_filename, huge_header_row, the_size_of_chunk_H, each_Row_H)
  File "C:\Users\WCan\Desktop\wcan_new_python\pandas_test_3.py", line 24, in extract_csv_to_sql
    sep=',')
  File "C:\Users\WCan\AppData\Local\Programs\Python\Python36\lib\site-packages\pandas\io\parsers.py", line 655, in parser_f
    return _read(filepath_or_buffer, kwds)
  File "C:\Users\WCan\AppData\Local\Programs\Python\Python36\lib\site-packages\pandas\io\parsers.py", line 411, in _read
    data = parser.read(nrows)
  File "C:\Users\WCan\AppData\Local\Programs\Python\Python36\lib\site-packages\pandas\io\parsers.py", line 1005, in read
    ret = self._engine.read(nrows)
  File "C:\Users\WCan\AppData\Local\Programs\Python\Python36\lib\site-packages\pandas\io\parsers.py", line 1748, in read
    data = self._reader.read(nrows)
  File "pandas\_libs\parsers.pyx", line 893, in pandas._libs.parsers.TextReader.read (pandas\_libs\parsers.c:10885)
  File "pandas\_libs\parsers.pyx", line 966, in pandas._libs.parsers.TextReader._read_rows (pandas\_libs\parsers.c:11884)
  File "pandas\_libs\parsers.pyx", line 953, in pandas._libs.parsers.TextReader._tokenize_rows (pandas\_libs\parsers.c:11755)
  File "pandas\_libs\parsers.pyx", line 2184, in pandas._libs.parsers.raise_parser_error (pandas\_libs\parsers.c:28765)
pandas.errors.ParserError: Error tokenizing data. C error: EOF inside string starting at line 1106011
>>> 

【问题讨论】：

你能告诉我们一个有效的行和无效的行（你删除的倒数第二个）

我无法在此处粘贴它有 171 列并且看起来像正常行但是当 pandas 读取它时，它会在文件的倒数第二行引发上述错误。

【参考方案1】：

如果你在 linux 下，尝试删除所有不可打印的字符。 尝试在此操作后加载您的文件。

tr -dc '[:print:]\n' < file > newfile

【讨论】：

我在windows下

我还能那样做吗？

***.com/questions/92438/…（你可以试试这个解决方案）

如何在 pandas 数据框和 Windows 而非 linux 上做到这一点？

尝试安装UnxTools sourceforge.net/projects/unxutils/?SetFreedomCookie

【参考方案2】：

我询问了很多解决方案，其中一些有效，但它影响了使用这个的计算，它会跳过导致错误的行：

pd.read_csv(file,engine='python', error_bad_lines=False) 

#engine='python' 提供更好的输出

【讨论】：

这也对我有用。这是另一个同意这个答案的资源：@​​987654321@