Python / Pandas：如何在cp1252中讀取具有第一行要刪除的csv？

Question

解決方案：

請參見答案，它不是在CP1252中編碼的，而是在UTF-16中編碼的。 解決方案代碼是：

import pandas as pd

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

也適用於encoding='utf-16-le'

---

更新：以字節為單位的前三行輸出：

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為的csv文件：

問題在於它具有兩個共同引起問題的特征：

• 第一行不是標題

• 標頭“Entrée”中有一個重音，如果我不精確編碼cp1252，則會引發UnicodeDecode錯誤

我正在使用Python 3.X和pandas處理這些文件。

但是當我嘗試使用以下代碼閱讀它時：

import pandas as pd 

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

我得到以下輸出（與header=0相同）：

為了正確讀取csv，我需要：

• 擺脫口音
• 並忽略/刪除第一行（無論如何我都不需要）。

我該如何實現？

PS：我知道我可以為此制作VBA程序或其他東西，但我寧願不這樣做。 我有興趣將其包含在我的Python程序中，或者希望確定它是不可能的。

Answer 1

CP1252是普通的舊拉丁語代碼頁 ，它確實支持所有西歐口音。 如果文件是用該代碼頁編寫的，則不會出現亂碼。

您發布的數據的圖像就是圖像。 它沒有說明文件的原始格式。 它是UTF8文件嗎？ UTF-16？ 絕對不是 CP1252。

UTF8和CP1252均不會產生NAN。 任何單字節代碼頁至少會讀取數字，這意味着文件以多字節編碼保存。

開頭的兩個奇怪字符看起來像字節順序標記。 如果檢查Wikipedia的BOM表條目，您將看到ÿþ是ÿþ的BOM表。

嘗試使用utf-16或utf-16-le代替cp1252