使用 pd.read_csv（不规则分隔符，自定义 NA）读取 borked CSV 文件

Question

我正在读取 CSV 数据用作 pandas 数据框，但 CSV 似乎没有遵循任何理智的约定（除了使用 ; 作为分隔符，每个人都应该.. .).似乎唯一的目标是让它们在文本编辑器中打开时看起来好

下面是一些示例（设置为变量，以便它们可用于 reader 示例）：

ex1="""
Type: Some Metadata
User: More Metadata
Data:
01.10.1939 00:00:00   ;   1,1 ;     
01.12.1939 00:00:00   ;   1   ;     
01.01.1940 00:00:00   ;  10   ;     
"""

好的，十进制逗号（简单）、分号分隔符（简单）、dayfirst（简单）和一堆元数据（skiprows，也简单）。

ts = pd.read_csv(io.StringIO(ex1), skiprows=4, decimal=',', sep=';',
                 index_col=0, usecols=[0,1], dayfirst=True,
                 parse_dates=True, names=['date', 'val'])

print(ts 生成一个漂亮的数据框

             val
date
1939-10-01   1.1
1939-12-01   1.0
1940-01-01  10.0

和 ts.index 是一个很好的 DatetimeIndex 并且 type(ts.val[0]) 是一个 numpy.float64，这是应该的。不过介绍一个创意的方式来标记NaN:

ex2="""
Type: Some Metadata
User: More Metadata
Data:
01.10.1939 00:00:00   ;   1,1;        
01.12.1939 00:00:00   ; NÄ  ;       
01.01.1940 00:00:00   ;  10   ;   
"""

上面的 ts=read_csv... 仍然没有错误，但是 NÄ 打破了 val 列并将其转换为字符串。但是当我将其更改为

ts = pd.read_csv(io.StringIO(ex2), skiprows=4, decimal=',', sep=';',
                 index_col=0, usecols=[0,1], dayfirst=True,
                 parse_dates=True, names=['date', 'val'],
                 na_values='NÄ')

使用na_values，整个事情都失败了。 print(ts)

                val
date
1939-10-01      1,1
1939-12-01     NÄ
1940-01-01    10

不仅不接受 NÄ 作为 NaN，这还将所有 val 变成字符串，从而忽略小数点逗号并保留尾随空格。 ts.val[0] 现在是 ' 1,1'，所以简单的 ts.val = ts.val.astype(float) 当然失败了。

我做错了什么 na_values='NÄ'？

为什么它也打断 decimal',' 并添加空格？

似乎 skipinitialspace=True 应该有所帮助，但当然 NÄ 仍然打破了 val 列。 sep='\s*[;]s*' 看起来很有前途，

ts = pd.read_csv(io.StringIO(ex2), skiprows=4, decimal=',' ,sep='\s*[;]s*',
                 index_col=0, usecols=[0,1], dayfirst=True,
                 parse_dates=True, names=['date', 'val'],
                 na_values='NÄ')

看起来不错 print(ts)

               val
date
1939-10-01     1.1
1939-12-01      NÄ
1940-01-01      10

（注意小数点！），但现在我遇到了奇怪的情况，它确实取代了逗号，但 ts.val[0] 现在又是一个字符串，并且仍然有尾随空格（' 1.1').

那么我该如何阅读那些无聊的文件呢？

我目前使用的解决方法是使用纯 python 读取 CSV（无论如何我必须读取 header（实际文件中的 40 行））并写入它输出到适当的 CSV 中，用 pandas:

读取

file = open(myfile, 'r', encoding='UTF-8')
table = file.readlines()
file.close()

for v1 in range(0, len(table)):
    table[v1] = table[v1].replace("NÄ", "NaN")
    table[v1] = table[v1].replace(",", ".")

dataoutput = ["date;val\r\n"]
for v1 in range(3, len(table)):
    dataoutput.append(table[v1])
f2 = open(myfile.replace('.csv', 'good.csv'), 'w')
for v1 in range(0, len(dataoutput)):
    f2.write(dataoutput[v1])
f2.close()

ts = pd.read_csv(myfile.replace('.csv', 'good.csv'), 
                 sep=';', usecols=[0, 1], index_col=0,
                 dayfirst=True, parse_dates=True)

ts.val = ts.val.astype(float)

但是对于几千个 CSV 文件，最大可达 1 兆字节，这并不是一个真正的最佳解决方案，所以我想解决导入中的 NÄ 问题。

Answer 1

您的 sep 是 mis-specified（它以 s* 而不是 \s* 结尾，这意味着它正在寻找 0 到无限 s 个字符） .这就是为什么您只捕获 ; 之后的前导空格而不捕获尾随空格的原因。顺便说一下，这也干扰了 (1)，因为您试图替换 'NÄ' 但值是 ' NÄ'。请改用 sep='\s*\;\s*'。

你将来可以做的一件事是自己打印出有问题的值，以确保它们包含他们认为你包含的内容，例如ts.iloc[1].val.

此外，如果 NaN 值在 unicode 中是一个问题，您可以在解析之前将其删除：

csv = io.StringIO(ex2.replace(u'N\xc4', '[MISSING]'))
ts = pd.read_csv(csv, 
    skiprows=4, decimal=',', index_col=0, usecols=[0,1], 
    dayfirst=True, parse_dates=True, names=['date', 'val'], 
    na_values='[MISSING]', sep='\s*\;\s*')

...这会给出...

             val
date
1939-10-01   1.1
1939-12-01   NaN
1940-01-01  10.0

使用 pd.read_csv（不规则分隔符，自定义 NA）读取 borked CSV 文件

reading borked CSV files with pd.read_csv (irregular delimiters, custom NA)

python

csv

unicode

separator

pandas