Python / Pandas：如何在cp1252中读取具有第一行要删除的csv？

Question

解决方案：

请参见答案，它不是在CP1252中编码的，而是在UTF-16中编码的。 解决方案代码是：

import pandas as pd

df = pd.read_csv('my_file.csv', sep='\t', header=1, encoding='utf-16')

也适用于encoding='utf-16-le'

---

更新：以字节为单位的前三行输出：

In : import itertools 
...:  print(list(itertools.islice(open('file_T.csv', 'rb'), 3)))

Out : [b'\xff\xfe"\x00D\x00u\x00 \x00m\x00e\x00r\x00c\x00r\x00e\x00d\x00i\x00 \x000\x005\x00 \x00j\x00u\x00i\x00n\x00 \x002\x000\x001\x009\x00 \x00a\x00u\x00 \x00m\x00e\x00r\x00c\x00r\x00e\x00d\x00i\x00 \x000\x005\x00 \x00j\x00u\x00i\x00n\x00 \x002\x000\x001\x009\x00\n', b'\x00"\x00\t\x00\t\x00\t\x00\t\x00\t\x00\t\x00\t\x00\t\x00\t\x00\n', b'\x00C\x00o\x00d\x00e\x00 \x00M\x00C\x00U\x00\t\x00I\x00m\x00m\x00a\x00t\x00r\x00i\x00c\x00u\x00l\x00a\x00t\x00i\x00o\x00n\x00\t\x00D\x00a\x00t\x00e\x00\t\x00h\x00e\x00u\x00r\x00e\x00\t\x00V\x00i\x00t\x00e\x00s\x00s\x00e\x00\t\x00L\x00a\x00t\x00i\x00t\x00u\x00d\x00e\x00\t\x00L\x00o\x00n\x00g\x00i\x00t\x00u\x00d\x00e\x00\t\x00T\x00y\x00p\x00e\x00\t\x00E\x00n\x00t\x00r\x00\xe9\x00e\x00\t\x00E\x00t\x00a\x00t\x00\n']

---

我正在使用原始格式为的csv文件：

问题在于它具有两个共同引起问题的特征：

• 第一行不是标题

• 标头“Entrée”中有一个重音，如果我不精确编码cp1252，则会引发UnicodeDecode错误

我正在使用Python 3.X和pandas处理这些文件。

但是当我尝试使用以下代码阅读它时：

import pandas as pd 

df_T = pd.read_csv('file_T.csv', header=1, sep=';', encoding = 'cp1252')
print(df_T)

我得到以下输出（与header=0相同）：

为了正确读取csv，我需要：

• 摆脱口音
• 并忽略/删除第一行（无论如何我都不需要）。

我该如何实现？

PS：我知道我可以为此制作VBA程序或其他东西，但我宁愿不这样做。 我有兴趣将其包含在我的Python程序中，或者希望确定它是不可能的。

Answer 1

CP1252是普通的旧拉丁语代码页 ，它确实支持所有西欧口音。 如果文件是用该代码页编写的，则不会出现乱码。

您发布的数据的图像就是图像。 它没有说明文件的原始格式。 它是UTF8文件吗？ UTF-16？ 绝对不是 CP1252。

UTF8和CP1252均不会产生NAN。 任何单字节代码页至少会读取数字，这意味着文件以多字节编码保存。

开头的两个奇怪字符看起来像字节顺序标记。 如果检查Wikipedia的BOM表条目，您将看到ÿþ是ÿþ的BOM表。

尝试使用utf-16或utf-16-le代替cp1252