ParserError：标记数据时出错。 C 错误：第 4 行预期有 7 个字段，在读取 csv 文件 pandas 时看到 10 个错误

Question

我正在尝试使用 Pandas 读取csv文件

df1 = pd.read_csv('panda_error.csv', header=None, sep=',')

但我收到此错误：

ParserError: Error tokenizing data. C error: Expected 7 fields in line 4, saw 10

为了重现性，这里是 csv 文件panda_error.csv

superkingdom:Bacteria , phylum:Actinobacteria , class:Actinobacteria , order:Corynebacteriales , family:Corynebacteriaceae , genus:Corynebacterium , species:Corynebacterium efficiens  1
superkingdom:Bacteria , phylum:Proteobacteria , class:Alphaproteobacteria , order:Rhizobiales , family:Aurantimonadaceae , genus:Aurantimonas , species:Aurantimonas manganoxydans  1
superkingdom:Bacteria , phylum:Proteobacteria , subphylum:delta/epsilon subdivisions , class:Deltaproteobacteria , no rank:unclassified Deltaproteobacteria , genus:Candidatus Entotheonella    1
superkingdom:Bacteria , phylum:Proteobacteria , class:Gammaproteobacteria , order:Pseudomonadales , family:Pseudomonadaceae , genus:Pseudomonas , species group:Pseudomonas syringae group , species subgroup:Pseudomonas syringae group genomosp. 2 , species:Pseudomonas amygdali , no rank:Pseudomonas amygdali pv. tabaci   1
superkingdom:Bacteria , phylum:Actinobacteria , class:Actinobacteria , order:Corynebacteriales , family:Nocardiaceae , genus:Rhodococcus , species:Rhodococcus wratislaviensis  1
superkingdom:Bacteria , phylum:Firmicutes , class:Clostridia , order:Clostridiales , family:Peptostreptococcaceae , genus:Peptoclostridium , species:Peptoclostridium difficile1

我不确定为什么会发生这种情况以及如何解决这个问题。 其他答案只是建议 1. 使用我不想做的error_bad_lines=False忽略令人不安的行，或者 2. 特定于某些情况。

如果有帮助，这里是完整的错误消息：

---------------------------------------------------------------------------
ParserError                               Traceback (most recent call last)
<ipython-input-34-72c0ecaf0513> in <module>
----> 1 df1 = pd.read_csv('panda_error.csv', header=None, sep=',')

/opt/anaconda3/lib/python3.7/site-packages/pandas/io/parsers.py in parser_f(filepath_or_buffer, sep, delimiter, header, names, index_col, usecols, squeeze, prefix, mangle_dupe_cols, dtype, engine, converters, true_values, false_values, skipinitialspace, skiprows, skipfooter, nrows, na_values, keep_default_na, na_filter, verbose, skip_blank_lines, parse_dates, infer_datetime_format, keep_date_col, date_parser, dayfirst, cache_dates, iterator, chunksize, compression, thousands, decimal, lineterminator, quotechar, quoting, doublequote, escapechar, comment, encoding, dialect, error_bad_lines, warn_bad_lines, delim_whitespace, low_memory, memory_map, float_precision)
    683         )
    684 
--> 685         return _read(filepath_or_buffer, kwds)
    686 
    687     parser_f.__name__ = name

/opt/anaconda3/lib/python3.7/site-packages/pandas/io/parsers.py in _read(filepath_or_buffer, kwds)
    461 
    462     try:
--> 463         data = parser.read(nrows)
    464     finally:
    465         parser.close()

/opt/anaconda3/lib/python3.7/site-packages/pandas/io/parsers.py in read(self, nrows)
   1152     def read(self, nrows=None):
   1153         nrows = _validate_integer("nrows", nrows)
-> 1154         ret = self._engine.read(nrows)
   1155 
   1156         # May alter columns / col_dict

/opt/anaconda3/lib/python3.7/site-packages/pandas/io/parsers.py in read(self, nrows)
   2057     def read(self, nrows=None):
   2058         try:
-> 2059             data = self._reader.read(nrows)
   2060         except StopIteration:
   2061             if self._first_chunk:

pandas/_libs/parsers.pyx in pandas._libs.parsers.TextReader.read()

pandas/_libs/parsers.pyx in pandas._libs.parsers.TextReader._read_low_memory()

pandas/_libs/parsers.pyx in pandas._libs.parsers.TextReader._read_rows()

pandas/_libs/parsers.pyx in pandas._libs.parsers.TextReader._tokenize_rows()

pandas/_libs/parsers.pyx in pandas._libs.parsers.raise_parser_error()

ParserError: Error tokenizing data. C error: Expected 7 fields in line 4, saw 10

Answer 1

这个解决方案对我有用

### Loop the data lines
with open("panda_error.csv", 'r') as temp_f:
    # get No of columns in each line
    col_count = [ len(l.split(",")) for l in temp_f.readlines() ]

### Generate column names  (names will be 0, 1, 2, ..., maximum columns - 1)
column_names = [i for i in range(0, max(col_count))]

### Read csv
df = pd.read_csv("panda_error.csv", header=None, delimiter=",", names=column_names)

Answer 2

Pandas是一个处理表格数据的工具。 这意味着每行应包含相同数量的字段。 在 CSV 输入的情况下，还有一个要求，即每行中的字段应按相同顺序排列。

但是您的输入文件实际上无法满足这两个要求。

前 2 行（可能还有大多数其他行）有 7 个字段： superkingdom 、 phylum 、 class 、 order 、 family 、 genus和species 。

第三行包含： superkingdom 、 phylum 、 subphylum 、 class 、 no rank和genus 。 所以：

• 还有其他字段（ subphylum和no rank ），
• 你没有像秩序、家庭和物种这样的领域。

这不会导致read_csv失败，只是因为字段数没有超过前一行的字段数（总共有6 个字段）。

但真正的问题是在第 4 行，那里有10 个字段。

所以“普通”的read_csv在这里绝不是任何好的选择。 即使您设置的列数足以读取所有行，属性也会以难以阅读的方式“分散”在列之间。

任何基于列名分析此类数据的尝试也将失败，因为每一列在不同的行中都有不同的信息。

另一个问题是逗号分隔的数据将包含例如superkingdom:Bacteria ，即：

• 应该是列（属性）名称的文本，
• 一个冒号，
• 实际值。

要克服这些问题，请尝试另一种方法来读取您的输入文件：

1. 使用read_csv读取您的输入文件，但作为单列（ sep设置为未使用的字符）。

    df = pd.read_csv('input.csv', sep='|', names=['col1'])

2. 下一步骤，从而导致其可通过程序来分析一个数据帧是extractall（需要导入再）：

    df2 = df.col1.str.extractall( r'(?P<name>[AZ ]+[AZ]):(?P<value>[AZ /]+[AZ])', flags=re.I)\\ .reset_index(level=1, drop=True)

如果您不熟悉正则表达式，请阅读有关它们的一些内容。

结果是一个包含 2 列的 DataFrame：

• name - 属性名称，例如superkingdom ，
• value - 属性值，例如Bacteria 。

索引与df 中的相同 - 它是源行号，从0开始。

对于您的示例数据，结果如下：

                name                                value
0       superkingdom                             Bacteria
0             phylum                       Actinobacteria
0              class                       Actinobacteria
0              order                    Corynebacteriales
0             family                   Corynebacteriaceae
0              genus                      Corynebacterium
0            species            Corynebacterium efficiens
1       superkingdom                             Bacteria
1             phylum                       Proteobacteria
1              class                  Alphaproteobacteria
1              order                          Rhizobiales
1             family                    Aurantimonadaceae
1              genus                         Aurantimonas
1            species           Aurantimonas manganoxydans
2       superkingdom                             Bacteria
2             phylum                       Proteobacteria
2          subphylum           delta/epsilon subdivisions
2              class                  Deltaproteobacteria
2            no rank     unclassified Deltaproteobacteria
2              genus             Candidatus Entotheonella
3       superkingdom                             Bacteria
3             phylum                       Proteobacteria
3              class                  Gammaproteobacteria
3              order                      Pseudomonadales
3             family                     Pseudomonadaceae
3              genus                          Pseudomonas
3      species group           Pseudomonas syringae group
3   species subgroup  Pseudomonas syringae group genomosp
3            species                 Pseudomonas amygdali
3            no rank              Pseudomonas amygdali pv
4       superkingdom                             Bacteria
4             phylum                       Actinobacteria
4              class                       Actinobacteria
4              order                    Corynebacteriales
4             family                         Nocardiaceae
4              genus                          Rhodococcus
4            species          Rhodococcus wratislaviensis
5       superkingdom                             Bacteria
5             phylum                           Firmicutes
5              class                           Clostridia
5              order                        Clostridiales
5             family                Peptostreptococcaceae
5              genus                     Peptoclostridium
5            species           Peptoclostridium difficile

如果您希望将这些数据作为表，并将每个名称转换为相应的列，请运行：

df3 = df2.set_index('name', append=True).unstack(fill_value='')
df3.columns = df3.columns.droplevel()

看看结果，我认为它比任何其他尝试都更具可读性。

Answer 3

要将列名作为实际名称（而不是数字），我将代码改进为：（使用适合您情况的分隔符，我的是 '\\t'）

with open("file.csv", 'r') as temp_f:
# get No of columns in each line
col_count = [ len(l.split("\t")) for l in temp_f.readlines() ]

### Generate column names  (names will be 0, 1, 2, ..., maximum columns - 1)
column_names = [i for i in range(0, max(col_count))]

### Read csv
df = pd.read_csv("file.csv", header=None, delimiter="\t", 
names=column_names)
col_names = list(df.iloc[0])
df = pd.read_csv("file.csv", header=None, delimiter="\t", names=col_names)
df.drop(0, inplace=True); df.reset_index(drop=True, inplace=True)
df