读取txt文件时将名称与space（国家名称）视为多列
Considering name with space (country name) as multiple columns when reading txt file
我正在尝试将文本文件加载到 Python，但由于字符串中包含多个单词的空格，它正在将每个单词视为一个单独的列。出了什么问题，我该如何解决？
数据：
Name 2000–12 2012–13 2013–14 2012 2012 2012 2012 2012 2012 2012
Costa Rica 4.7 3.4 4.3 15.9 15.1 –5.3 –3.5 .. 4.5 49.4
Côte d’Ivoire 1.2 8.7 8.2 .. .. 2.0 –3.1 .. 1.3 39.0
Croatia 2.1 .. .. 18.9 9.3 –0.3 –4.7 .. 3.4 80.7
Cuba 5.8 .. .. .. .. .. .. .. .. ..
Curaçao .. .. .. .. .. .. .. .. .. ..
Cyprusb 2.6c .. .. 8.8c 3.9c –6.9 –6.3 113.3 2.4 ..
Czech Republic 3.3 .. .. 21.0 5.1 –2.4 –4.4 38.3 3.3 77.3
Denmark 0.6 .. .. 23.6 15.7 5.9 –2.0 50.6 2.4 74.6
Djibouti 3.5 .. .. .. .. .. .. .. 3.7 ..
Dominica 3.2 1.1 1.7 10.8 .. –11.5 –11.9 .. 1.4 97.4
Dominican Republic 5.6 2.5 3.9 9.2 .. –6.8 –2.9 .. 3.7 34.3
Ecuador 4.4 4.0 4.1 26.9 6.1 –0.2 .. .. 5.1 31.6
Egypt, Arab Rep. 4.9 1.8 2.3 13.0 0.0 –2.7 –10.6 .. 7.1 74.1
到目前为止我尝试过的：
q3=pd.read_csv("E:\DRISTIA\Question2.txt",skiprows=2,encoding='unicode_escape',header=0,engine='python',skipinitialspace=True,delim_whitespace=True)
print(q3)
Name 2000–12 2012–13 2013–14 2012 2012.1 2012.2 2012.3 2012.4 \
Costa Rica 4.7 3.4 4.3 15.9 15.1 –5.3 –3.5 ..
Côte d’Ivoire 1.2 8.7 8.2 .. .. 2.0 –3.1 ..
Croatia 2.1 .. .. 18.9 9.3 –0.3 –4.7 .. 3.4
Cuba 5.8 .. .. .. .. .. .. .. ..
Curaçao .. .. .. .. .. .. .. .. ..
Cyprusb 2.6c .. .. 8.8c 3.9c –6.9 –6.3 113.3 2.4
Czech Republic 3.3 .. .. 21.0 5.1 –2.4 –4.4 38.3
Denmark 0.6 .. .. 23.6 15.7 5.9 –2.0 50.6 2.4
Djibouti 3.5 .. .. .. .. .. .. .. 3.7
Dominica 3.2 1.1 1.7 10.8 .. –11.5 –11.9 .. 1.4
Dominican Republic 5.6 2.5 3.9 9.2 .. –6.8 –2.9 ..
注意例如“哥斯达黎加”和“科特迪瓦”等中的第二个词被推入第一个数据列。我希望那些留在“名称”列中。
所需输出：
Name 2000–12 2012–13 2013–14 2012 2012 2012 2012 2012 2012 2012
Costa Rica 4.7 3.4 4.3 15.9 15.1 –5.3 –3.5 .. 4.5 49.4
即Country name 的所有字符串都应属于 Name 列。所有其他列都是规则的，不包含任何空格。
Pandas read_csv function 接受自定义分隔符 sep，它可以是正则表达式。现在的任务是阐明一个正则表达式，它只匹配一行中最后的 n-1 个空格，其中 n 是行中的列数文件。
q3=pd.read_csv(
"Question2.txt", engine='python', skiprows=2, encoding='unicode_escape',
sep=r'\s+(?!\S+(?:\s+\S+){10})')
print(q3)
正则表达式匹配空格 (\s+)，但前提是它后面没有 (?!...) 十个或更多以空格分隔的列。
您提供的示例数据似乎与您的代码所期望的不完全匹配，但是在顶部添加了几行空行，我得到
Name 2000–12 2012–13 ... 2012.4 2012.5 2012.6
0 Costa Rica 4.7 3.4 ... .. 4.5 49.4
1 Côte d’Ivoire 1.2 8.7 ... .. 1.3 39.0
2 Croatia 2.1 .. ... .. 3.4 80.7
3 Cuba 5.8 .. ... .. .. ..
4 Curaçao .. .. ... .. .. ..
5 Cyprusb 2.6c .. ... 113.3 2.4 ..
6 Czech Republic 3.3 .. ... 38.3 3.3 77.3
7 Denmark 0.6 .. ... 50.6 2.4 74.6
8 Djibouti 3.5 .. ... .. 3.7 ..
9 Dominica 3.2 1.1 ... .. 1.4 97.4
10 Dominican Republic 5.6 2.5 ... .. 3.7 34.3
11 Ecuador 4.4 4.0 ... .. 5.1 31.6
12 Egypt, Arab Rep. 4.9 1.8 ... .. 7.1 74.1
[13 rows x 11 columns]
（请注意 Unicode mojibake,，因为 encoding 关键字参数有点奇怪。）
可能作为您的第一个任务将结果保存为不那么空洞的格式，可能是正确的 CSV（逗号分隔，在包含文字逗号的任何字段周围引用；但是Pandas to_csv() 会为您处理所有这些。
顺便说一句，使用完整路径对文件名进行硬编码可能会使您的脚本变得不那么有用。也许取出路径，就像我上面所做的那样，然后 运行 脚本在你有输入文件的目录中，或者（不太有用，但有时更实际）放入子目录的相对路径，和运行 它来自相应的父目录。
我正在尝试将文本文件加载到 Python，但由于字符串中包含多个单词的空格，它正在将每个单词视为一个单独的列。出了什么问题，我该如何解决？
数据：
Name 2000–12 2012–13 2013–14 2012 2012 2012 2012 2012 2012 2012
Costa Rica 4.7 3.4 4.3 15.9 15.1 –5.3 –3.5 .. 4.5 49.4
Côte d’Ivoire 1.2 8.7 8.2 .. .. 2.0 –3.1 .. 1.3 39.0
Croatia 2.1 .. .. 18.9 9.3 –0.3 –4.7 .. 3.4 80.7
Cuba 5.8 .. .. .. .. .. .. .. .. ..
Curaçao .. .. .. .. .. .. .. .. .. ..
Cyprusb 2.6c .. .. 8.8c 3.9c –6.9 –6.3 113.3 2.4 ..
Czech Republic 3.3 .. .. 21.0 5.1 –2.4 –4.4 38.3 3.3 77.3
Denmark 0.6 .. .. 23.6 15.7 5.9 –2.0 50.6 2.4 74.6
Djibouti 3.5 .. .. .. .. .. .. .. 3.7 ..
Dominica 3.2 1.1 1.7 10.8 .. –11.5 –11.9 .. 1.4 97.4
Dominican Republic 5.6 2.5 3.9 9.2 .. –6.8 –2.9 .. 3.7 34.3
Ecuador 4.4 4.0 4.1 26.9 6.1 –0.2 .. .. 5.1 31.6
Egypt, Arab Rep. 4.9 1.8 2.3 13.0 0.0 –2.7 –10.6 .. 7.1 74.1
到目前为止我尝试过的：
q3=pd.read_csv("E:\DRISTIA\Question2.txt",skiprows=2,encoding='unicode_escape',header=0,engine='python',skipinitialspace=True,delim_whitespace=True)
print(q3)
Name 2000–12 2012–13 2013–14 2012 2012.1 2012.2 2012.3 2012.4 \
Costa Rica 4.7 3.4 4.3 15.9 15.1 –5.3 –3.5 ..
Côte d’Ivoire 1.2 8.7 8.2 .. .. 2.0 –3.1 ..
Croatia 2.1 .. .. 18.9 9.3 –0.3 –4.7 .. 3.4
Cuba 5.8 .. .. .. .. .. .. .. ..
Curaçao .. .. .. .. .. .. .. .. ..
Cyprusb 2.6c .. .. 8.8c 3.9c –6.9 –6.3 113.3 2.4
Czech Republic 3.3 .. .. 21.0 5.1 –2.4 –4.4 38.3
Denmark 0.6 .. .. 23.6 15.7 5.9 –2.0 50.6 2.4
Djibouti 3.5 .. .. .. .. .. .. .. 3.7
Dominica 3.2 1.1 1.7 10.8 .. –11.5 –11.9 .. 1.4
Dominican Republic 5.6 2.5 3.9 9.2 .. –6.8 –2.9 ..
注意例如“哥斯达黎加”和“科特迪瓦”等中的第二个词被推入第一个数据列。我希望那些留在“名称”列中。
所需输出：
Name 2000–12 2012–13 2013–14 2012 2012 2012 2012 2012 2012 2012
Costa Rica 4.7 3.4 4.3 15.9 15.1 –5.3 –3.5 .. 4.5 49.4
即Country name 的所有字符串都应属于 Name 列。所有其他列都是规则的，不包含任何空格。
Pandas read_csv function 接受自定义分隔符 sep，它可以是正则表达式。现在的任务是阐明一个正则表达式，它只匹配一行中最后的 n-1 个空格，其中 n 是行中的列数文件。
q3=pd.read_csv(
"Question2.txt", engine='python', skiprows=2, encoding='unicode_escape',
sep=r'\s+(?!\S+(?:\s+\S+){10})')
print(q3)
正则表达式匹配空格 (\s+)，但前提是它后面没有 (?!...) 十个或更多以空格分隔的列。
您提供的示例数据似乎与您的代码所期望的不完全匹配，但是在顶部添加了几行空行，我得到
Name 2000–12 2012–13 ... 2012.4 2012.5 2012.6
0 Costa Rica 4.7 3.4 ... .. 4.5 49.4
1 Côte d’Ivoire 1.2 8.7 ... .. 1.3 39.0
2 Croatia 2.1 .. ... .. 3.4 80.7
3 Cuba 5.8 .. ... .. .. ..
4 Curaçao .. .. ... .. .. ..
5 Cyprusb 2.6c .. ... 113.3 2.4 ..
6 Czech Republic 3.3 .. ... 38.3 3.3 77.3
7 Denmark 0.6 .. ... 50.6 2.4 74.6
8 Djibouti 3.5 .. ... .. 3.7 ..
9 Dominica 3.2 1.1 ... .. 1.4 97.4
10 Dominican Republic 5.6 2.5 ... .. 3.7 34.3
11 Ecuador 4.4 4.0 ... .. 5.1 31.6
12 Egypt, Arab Rep. 4.9 1.8 ... .. 7.1 74.1
[13 rows x 11 columns]
（请注意 Unicode mojibake,，因为 encoding 关键字参数有点奇怪。）
可能作为您的第一个任务将结果保存为不那么空洞的格式，可能是正确的 CSV（逗号分隔，在包含文字逗号的任何字段周围引用；但是Pandas to_csv() 会为您处理所有这些。
顺便说一句，使用完整路径对文件名进行硬编码可能会使您的脚本变得不那么有用。也许取出路径，就像我上面所做的那样，然后 运行 脚本在你有输入文件的目录中，或者（不太有用，但有时更实际）放入子目录的相对路径，和运行 它来自相应的父目录。