前言

本文是給使用pandas的新手而寫，主要列出一些常見的問題，根據(jù)筆者所踩過的坑，進(jìn)行歸納總結(jié)，希望對讀者有所幫助。

示例文件

將以下內(nèi)容保存為文件 people.csv。

id,姓名,性別,出生日期,出生地,職業(yè),愛好
1,張小三,m,1992-10-03,北京,工程師,足球
2,李云義,m,1995-02-12,上海,程序員,讀書 下棋
3,周娟,女,1998-03-25,合肥,護(hù)士,音樂，跑步
4,趙盈盈,Female,2001-6-32,,學(xué)生,畫畫
5,鄭強(qiáng)強(qiáng),男,1991-03-05,南京(nanjing),律師,歷史-政治

如果一切正常的話，在Jupyter Notebook 中應(yīng)該顯示以下內(nèi)容：

文件編碼

文件編碼格式是最容易出錯的問題之一。如果編碼格式不正確，就會完全讀取不出文件內(nèi)容，出現(xiàn)類似于以下的錯誤， 讓人完全不知所措：

---------------------------------------------------------------------------
UnicodeDecodeError                        Traceback (most recent call last)
<ipython-input-6-8659adefcfa6> in <module>
----> 1 pd.read_csv('people.csv', encoding='gb2312')

C:\ProgramData\Anaconda3\lib\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

C:\ProgramData\Anaconda3\lib\site-packages\pandas\io\parsers.py in _read(filepath_or_buffer, kwds)
    455
    456     # Create the parser.
--> 457     parser = TextFileReader(fp_or_buf, **kwds)
    458
    459     if chunksize or iterator:

C:\ProgramData\Anaconda3\lib\site-packages\pandas\io\parsers.py in __init__(self, f, engine, **kwds)
    893             self.options["has_index_names"] = kwds["has_index_names"]
    894
--> 895         self._make_engine(self.engine)
    896
    897     def close(self):

C:\ProgramData\Anaconda3\lib\site-packages\pandas\io\parsers.py in _make_engine(self, engine)
   1133     def _make_engine(self, engine="c"):
   1134         if engine == "c":
-> 1135             self._engine = CParserWrapper(self.f, **self.options)
   1136         else:
   1137             if engine == "python":

C:\ProgramData\Anaconda3\lib\site-packages\pandas\io\parsers.py in __init__(self, src, **kwds)
   1915         kwds["usecols"] = self.usecols
   1916
-> 1917         self._reader = parsers.TextReader(src, **kwds)
   1918         self.unnamed_cols = self._reader.unnamed_cols
   1919

pandas\_libs\parsers.pyx in pandas._libs.parsers.TextReader.__cinit__()

pandas\_libs\parsers.pyx in pandas._libs.parsers.TextReader._get_header()

UnicodeDecodeError: 'gb2312' codec can't decode byte 0x93 in position 2: illegal multibyte sequence

目前對于中文而言，最常使用的有 utf-8 和 gb2312 兩種格式，只需要指定正確的編碼。在不知道編碼的情況下，只需要嘗試兩次即可。padas默認(rèn)的文件編碼格式是 utf-8，所以如果出現(xiàn)以上錯誤，只需使用 encoding=gb2312 再嘗試一下即可，如 pd.read_csv(file, encoding='gb2312')。

空值

空值是csv中也非常常見，比如以下內(nèi)容：

import pandas as pd
df = pd.read_csv('people.csv')
v1=df['出生地'][3]
print(v1, type(v1))

輸出為：

nan <class 'float'>

由此可見，空值也是有數(shù)據(jù)類型的，為 float 類型。

如何判斷空值有兩種方法，可以使用 math.isnan(x) 也可以使用 isinstance(float)。我們知道，DateFrame對象是包括Series對象，而在一個Series對象中，所有的數(shù)據(jù)類型默認(rèn)是一樣的，所以如果其數(shù)據(jù)類型推斷為字符串(str)，那么直接使用 math.isnan(x) 則會報錯 TypeError: must be real number, not str 錯誤，即必需為實數(shù)，不能是字符串。所以，這時我們還需要使用 isinstance(x, flaot) 方法。
具體請看這個示例：

df.出生地=df.出生地.map(lambda x: '其他' if isinstance(x, float) else x)
df

日期錯誤

出生日期中，有的數(shù)據(jù)錯誤，如趙盈盈的出生日期是6月32號，所以報錯了。對于這樣類似的錯誤，我們可以使用函數(shù)判斷的方式進(jìn)行處理，具體如下。

首先，編寫 isDate 函數(shù)用于判斷日期是否合法。

def isDate(adate):
    try:
        sects = adate.split('-')
        year = int(sects[0])
        month = int(sects[1])
        day = int(sects[2])
        days = [0, 31, 29 if year % 4 == 0 else 28, 31, 30, 31, 30, 31, 31, 30, 31, 30, 31]
        return year > 0 and year < 9999 and month > 0 and month <= 12 and day > 0 and day <= days[month]
    except:
        return False

然后使用以下代碼進(jìn)行判斷：

for id in df.index:
    if not isDate(df.loc[id, '出生日期']):
        print(df.loc[id, '出生日期'])
        df.loc[id, '出生日期'] = '2000-01-01'

輸出結(jié)果如下，可見錯誤的日期被修改成了2020年1月1日。

2001-6-32
   id   姓名      性別        出生日期          出生地   職業(yè)     愛好 
0   1  張小三       m  1992-10-03           北京  工程師     足球  
1   2  李云義       m  1995-02-12           上海  程序員  讀書 下棋  
2   3   周娟       女  1998-03-25           合肥   護(hù)士  音樂，跑步  
3   4  趙盈盈  Female  2000-01-01          NaN   學(xué)生     畫畫   
4   5  鄭強(qiáng)強(qiáng)       男  1991-03-05  南京(nanjing)   律師  歷史-政治  

函數(shù)映射

方法1：直接使用labmda表達(dá)式

需要對數(shù)據(jù)列進(jìn)行復(fù)雜操作的時候，我們可以使用以下函數(shù)時行相應(yīng)的操作。

df=df.fillna('未知')
df.愛好=df.愛好.map(lambda x: x.split(' ')[0].split('-')[0].split('，')[0])
df

方法二：使用自定義函數(shù)

在進(jìn)行映射時，如果操作比較簡單，可以使用字典的方式進(jìn)行數(shù)值映射映射(參見下文）。但是如果操作比較復(fù)雜，則需要使用函數(shù)進(jìn)行映射。請看這個示例，讀取到性別時，內(nèi)容有 ‘m', ‘M', ‘Female' 等內(nèi)容，現(xiàn)在需要其全部轉(zhuǎn)換為 男 或 女：

def set_sex(s):
    if s.lower() == 'm' or s.lower() == 'male':
        return '男'
    elif s.lower() == 'female':
        return '女'        
    return s

df = pd.read_csv('people.csv', converters={'性別': lambda x : set_sex(x)})
df

方法三：使用數(shù)值字典映射

在數(shù)據(jù)處理時，數(shù)值型往往比字符串效率更高，所以在可能的情況下，我們希望將數(shù)據(jù)轉(zhuǎn)換成字符串處理。請看這個示例，將輸入的數(shù)據(jù)的性別中的男性轉(zhuǎn)換為1 女性轉(zhuǎn)換為0。操作如下：

總結(jié)

到此這篇關(guān)于Python pandas讀取CSV文件注意事項的文章就介紹到這了,更多相關(guān)pandas讀取CSV文件內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論