Pandas CParserError：标记数据时出错

Question

我有一个包含 25 列的大型 csv 文件，我想将其作为熊猫数据框读取。 我正在使用pandas.read_csv() 。 问题是某些行有额外的列，如下所示：

        col1   col2   stringColumn   ...   col25
1        12      1       str1                 3
...
33657    2       3       str4                 6       4    3 #<- that line has a problem
33658    1      32       blbla                 #<-some columns have missing data too 

当我尝试阅读它时，出现错误

CParserError: Error tokenizing data. C error: Expected 25 fields in line 33657, saw 28

如果额外值出现在第一行中，则不会发生此问题。 例如，如果我将值添加到同一文件的第三行，它工作正常

#that example works: 
           col1   col2   stringColumn   ...   col25
    1        12      1       str1                 3
    2        12      1       str1                 3
    3        12      1       str1                 3       f    4
    ...
    33657    2       3       str4                 6       4    3 #<- that line has a problem
    33658    1      32       blbla                 #<-some columns have missing data too 

我的猜测是，pandas 检查前 (n) 行以确定列数，如果之后还有额外的列，则解析它时会出现问题。

像这里建议的那样跳过有问题的行不是一种选择，这些行包含有价值的信息。

有人知道解决这个问题的方法吗？

Answer 1

由于我没有找到完全解决问题的答案，这是我的解决方法：我发现使用选项names=('col1', 'col2', 'stringColumn' ... 'column25', '', '', '')允许我读取文件。 它迫使我阅读和解析每一列，这并不理想，因为我只需要其中的一半左右，但至少我现在可以读取文件。 结合参数names和usecols并不起作用，如果有人有其他解决方案，我会很高兴听到它。

Answer 2

在我最初的帖子中，我提到在 pandas.read_csv 中不使用“error_bad_lines”= False。 我决定实际上这样做是更合适和优雅的解决方案。 我发现这篇文章很有用。

我可以将 python 中的 stdout 重定向到某种字符串缓冲区吗？

我对答案中显示的代码进行了一些改动。

import sys
import re
from cStringIO import StringIO
import pandas as pd

fake_csv = '''1,2,3\na,b,c\na,b,c\na,b,c,d,e\na,b,c\na,b,c,d,e\na,b,c\n''' #bad data
fname = "fake.csv"
old_stderr = sys.stderr
sys.stderr = mystderr = StringIO()

df1 = pd.read_csv(StringIO(fake_csv),
                  error_bad_lines=False)

sys.stderr = old_stderr 
log = mystderr.getvalue()
isnum = re.compile("\d+")

lines_skipped_log = [
    isnum.findall(i) + [fname]\
    for i in log.split("\n") if isnum.search(i)
        ]

columns=["line_num","flds_expct","num_fields","file"]
lines_skipped_log.insert(0,columns)

从那里你可以用lines_skipped_log做任何你想做的lines_skipped_log比如输出到csv，创建一个数据lines_skipped_log等。

也许你有一个充满文件的目录。 您可以从每个日志中创建一个熊猫数据框列表并进行连接。 从那里，您将获得跳过哪些行以及哪些文件触手可及（字面意思！）的日志。

Answer 3

一种可能的解决方法是指定列名称。 请参考我对类似问题的回答： https : //stackoverflow.com/a/43145539/6466550