在 Pandas read_csv 期间标记数据时出错。如何真正看到坏线？

Posted 2023-03-11

【中文标题】在 Pandas read_csv 期间标记数据时出错。如何真正看到坏线？

【英文标题】：Error tokenizing data during Pandas read_csv. How to actually see the bad lines?

【发布时间】：2016-12-18 13:23:48

【问题描述】：

我有一个大的 csv，我按如下方式加载

df=pd.read_csv('my_data.tsv',sep='\t',header=0, skiprows=[1,2,3])

我在加载过程中遇到了几个错误。

首先，如果我不指定warn_bad_lines=True,error_bad_lines=False，我会得到：

标记数据时出错。 C 错误：预计第 329867 行中有 22 个字段，见 24

其次，如果我使用上面的选项，我现在得到：

CParserError：标记数据时出错。 C 错误：字符串中的 EOF 从第 32357585 行开始

问题是：我如何查看这些坏线以了解发生了什么？是否有可能让read_csv 返回这些虚假行？

我尝试了以下提示 (Pandas ParserError EOF character when reading multiple csv files to HDF5)：

from pandas import parser

try:
  df=pd.read_csv('mydata.tsv',sep='\t',header=0, skiprows=[1,2,3])
except (parser.CParserError) as detail:
  print  detail

但还是得到了

标记数据时出错。 C 错误：预计第 329867 行中有 22 个字段，见 24

【问题讨论】：

你检查了第一个答案吗？会是特殊字符吗？ ***.com/questions/18016037/…

第 32357585 行的数据是什么？这可能会提供一些线索并检查熊猫版本，github.com/pydata/pandas/issues/11654

是的，这就是问题所在。如何读取这条数据线？

如果是 CSV，在 CSV 中打开它（假设是 windows 框）（或）使用其他一些文件读取 API 来首先打印和理解数据，一旦你知道那里有什么，那么你可以尝试使用 pandas 找到解决方法。

Pandas 读取前几行，确定 dtypes，然后读取确定的 dtypes 中的其余数据。有时这会导致对字符串的误解。 low_memory 只会导致 pandas 在读取所有数据后创建数据类型。它会导致内存中的数据重复。但你是对的，它可能对你的情况没有帮助。其他建议怎么样？

【参考方案1】：

我将分两部分给出答案：

第 1 部分： 操作员询问如何输出这些坏行，要回答这个问题，我们可以在这样的简单代码中使用 python csv 模块：

import csv
file = 'your_filename.csv' # use your filename
lines_set = set([100, 200]) # use your bad lines numbers here

with open(file) as f_obj:
    for line_number, row in enumerate(csv.reader(f_obj)):
        if line_number > max(lines_set):
            break
        elif line_number in lines_set: # put your bad lines numbers here
            print(line_number, row)

我们也可以把它放在更通用的函数中：

import csv


def read_my_lines(file, lines_list, reader=csv.reader):
    lines_set = set(lines_list)
    with open(file) as f_obj:
        for line_number, row in enumerate(csv.reader(f_obj)):
            if line_number > max(lines_set):
                break
            elif line_number in lines_set:
                print(line_number, row)


if __name__ == '__main__':
    read_my_lines(file='your_filename.csv', lines_list=[100, 200])

part2：你得到错误的原因：

如果没有您使用的文件样本，就很难诊断出这样的问题。 但你应该试试这个..

pd.read_csv(filename)

它解析文件没有错误吗？如果是这样，我会解释原因。

列数是从第一行推断出来的。

通过使用 skiprows 和 header=0，您转义了前 3 行，我猜它包含列名或应该包含正确列数的标题。

基本上你限制了解析器正在做什么。

所以解析时不要跳过，或者 header=0 然后重新索引到您以后需要的内容。

注意：

如果您不确定文件中使用的分隔符使用sep=None，但它会更慢。

来自 pandas.read_csv 文档：

sep : str，默认使用“，”分隔符。如果 sep 为 None，则 C 引擎 不能自动检测分隔符，但是python解析 引擎可以，这意味着后者将被使用并自动检测 Python 的内置嗅探器工具 csv.Sniffer 的分隔符。在 此外，超过 1 个字符且不同于 '\s+' 的分隔符 将被解释为正则表达式，也会强制使用 Python 解析引擎。请注意，正则表达式分隔符很容易出现 忽略引用的数据。正则表达式示例：'\r\t'

link

【参考方案2】：

就我而言，添加分隔符有帮助：

data = pd.read_csv('/Users/myfile.csv', encoding='cp1251', sep=';')

【参考方案3】：

我们可以从错误中获取行号并打印行以查看它的样子

试试：

import subprocess
import re
from pandas import parser

try:
  filename='mydata.tsv'
  df=pd.read_csv(filename,sep='\t',header=0, skiprows=[1,2,3])
except (parser.CParserError) as detail:
  print  detail
  err=re.findall(r'\b\d+\b', detail) #will give all the numbers ['22', '329867', '24'] line number is at index 1
  line=subprocess.check_output("sed -n %s %s" %(str(err[1])+'p',filename),stderr=subprocess.STDOUT,shell=True) # shell command 'sed -n 2p filename'  for printing line 2 of filename
  print 'Bad line'
  print line # to see line