导入文本文件：没有要从文件中解析的列

Question

我正在尝试从 sys.stdin 获取输入。这是一个用于 hadoop 的 map reducer 程序。输入文件为txt格式。数据集预览：

196 242 3   881250949
186 302 3   891717742
22  377 1   878887116
244 51  2   880606923
166 346 1   886397596
298 474 4   884182806
115 265 2   881171488
253 465 5   891628467
305 451 3   886324817
6   86  3   883603013
62  257 2   879372434
286 1014    5   879781125
200 222 5   876042340
210 40  3   891035994
224 29  3   888104457
303 785 3   879485318
122 387 5   879270459
194 274 2   879539794
291 1042    4   874834944

我一直在尝试的代码 -

import sys
df = pd.read_csv(sys.stdin,error_bad_lines=False)

我也试过 delimiter = \t, header=False,defining column name 似乎没有任何效果，我得到的错误是这个错误：

[root@sandbox lab]# cat /root/lab/u.data | python /root/lab/mid-1-mapper.py |python /root/lab/mid-1-reducer.py
Traceback (most recent call last):
  File "/root/lab/mid-1-reducer.py", line 8, in <module>
    df = pd.read_csv(sys.stdin,delimiter='\t')
  File "/opt/rh/python27/root/usr/lib64/python2.7/site-packages/pandas/io/parsers.py", line 645, in parser_f
    return _read(filepath_or_buffer, kwds)
  File "/opt/rh/python27/root/usr/lib64/python2.7/site-packages/pandas/io/parsers.py", line 388, in _read
    parser = TextFileReader(filepath_or_buffer, **kwds)
  File "/opt/rh/python27/root/usr/lib64/python2.7/site-packages/pandas/io/parsers.py", line 729, in __init__
    self._make_engine(self.engine)
  File "/opt/rh/python27/root/usr/lib64/python2.7/site-packages/pandas/io/parsers.py", line 922, in _make_engine
    self._engine = CParserWrapper(self.f, **self.options)
  File "/opt/rh/python27/root/usr/lib64/python2.7/site-packages/pandas/io/parsers.py", line 1389, in __init__
    self._reader = _parser.TextReader(src, **kwds)
  File "pandas/parser.pyx", line 538, in pandas.parser.TextReader.__cinit__ (pandas/parser.c:5896)
pandas.io.common.EmptyDataError: No columns to parse from file

但是，如果我直接在 python（而不是在 hadoop 中）尝试这个，它工作正常。

我已经尝试查看 Whosebug posts，post 建议的 try and except 之一。应用它给我留下一个空文件。有人可以帮忙吗？谢谢

Answer 1

使用 try 和 except 可以让您在出现错误的情况下继续并处理它们。它不会神奇地修复您的错误。

read_csv 需要 csv 个文件，而您的输入显然不是。快速查看文档：

delim_whitespace : boolean, default False

Specifies whether or not whitespace (e.g. ' ' or ' ') will be used as the sep. Equivalent to setting sep='+s'. If this option is set to True, nothing should be passed in for the delimiter parameter.

这似乎是正确的论点。使用

pandas.read_csv(filepath_or_buffer, delim_whitespace=True).

使用 delimiter='\t' 也应该有效，除非选项卡被扩展（由空格替换）。正如我们无法确定的那样，delim_whitespace 似乎是更好的选择。

如果这没有帮助，请打印出您的 sys.stdin 以检查您是否正确传递了文本。

编辑：我刚刚看到你使用

cat /root/lab/u.data | python /root/lab/mid-1-mapper.py |python /root/lab/mid-1-reducer.py

这是故意的吗，这样mid-1-reducer.py处理mid-1-mapper.py的输出。如果要处理文件 u.data 的内容，请考虑读取文件而不是 sys.stdin.

Answer 2

您必须将 delim_whitespace 设置为 True，才能使用空格作为分隔符。

import sys
import pandas as pd

if __name__ == '__main__':
    df = pd.read_csv(sys.stdin, header=None, delim_whitespace=True)
    print df

导入文本文件：没有要从文件中解析的列

Importing text file : No Columns to parse from file

python

pandas

hadoop-streaming