如何读取 pandas 包含引号并使用多个分隔符的 CSV 文件

Question

我正在做一个项目，我在一个 for 循环中读取多个 CSV 文件，一些文件包含一个分号 (;) 作为分隔符，而其他文件包含一个逗号 (,)。我需要在所有 CSV 文件中保留 headers，所以我不能使用 fixed headers.

我在处理一个 CSV 文件时遇到问题，尤其是其中包含某些值的引号，例如

第 1 列，第 2 列，第 3 列，第 4 列 12531,ABCDE,"12523,2",例子 52313、ADE、12302、示例

使用逗号作为分隔符不起作用，因为我最终得到 15 个值而不是 13 个值导致解析错误。

在记事本中打开文件时，我看到对于包含带引号的值的行，双引号被添加到所述值以及逗号被添加到行的前端和末尾：

第 1 列，第 2 列，第 3 列，第 4 列 "12531,ABCDE,""12523,2"",示例" 52313、ADE、12302、示例

我想像处理其他文件一样成功地处理此文件，同时保持使用能力：

文件headers
多个分隔符（, 或 ;）

我尝试将引号之间的 , 替换为 .但这并不能消除在行的前端和末尾添加引号的问题，而且它根本不起作用，因为它原来是两个引号..

extension = 'csv'
all_filenames = [i for i in glob.glob('*.{}'.format(extension))]

for csv in all_filenames:
    file = open(csv, 'r')
    content = file.read()
    content = re.sub(r'(?!(([^"]*"){2})*[^"]*$),', '.', content)
    combined_csv = pd.read_csv(csv, sep=";|,", engine="python")
    appended_data.append(combined_csv)

appended_data = pd.concat(appended_data)

Answer 1

我建议用单个出现的逗号前后替换多个 " 的块，然后将 pd.read_csv 与 quotechar='"' 参数一起使用以确保引用的字段最终出现在单列中：

content = re.sub(r'(?<![^,])"{2,}|"{2,}(?![^,])', '"', content)
#...
combined_csv = pd.read_csv(csv, sep=";|,", engine="python", quotechar='"')

正则表达式详细信息:

(?<![^,]) - 在当前位置之前，必须有逗号或字符串开头
"{2,} - 两个或更多 " 个字符
| - 或
"{2,} - 两个或更多 " 个字符
(?![^,]) - 在当前位置之后，必须有逗号或字符串结尾。

如何读取 pandas 包含引号并使用多个分隔符的 CSV 文件

How to read CSV file with pandas containing quotes and using multiple seperators

python

regex

csv

pandas

python-re