Python pandas讀取CSV文件的註意事項(適合新手)

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,根據筆者所踩過的坑,進行歸納總結,希望對讀者有所幫助。

示例文件

將以下內容保存為文件 people.csv。

id,姓名,性別,出生日期,出生地,職業,愛好
1,張小三,m,1992-10-03,北京,工程師,足球
2,李雲義,m,1995-02-12,上海,程序員,讀書 下棋
3,周娟,女,1998-03-25,合肥,護士,音樂,跑步
4,趙盈盈,Female,2001-6-32,,學生,畫畫
5,鄭強強,男,1991-03-05,南京(nanjing),律師,歷史-政治

如果一切正常的話,在Jupyter Notebook 中應該顯示以下內容:

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容,出現類似於以下的錯誤, 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

目前對於中文而言,最常使用的有 utf-8 和 gb2312 兩種格式,隻需要指定正確的編碼。在不知道編碼的情況下,隻需要嘗試兩次即可。padas默認的文件編碼格式是 utf-8,所以如果出現以上錯誤,隻需使用 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,空值也是有數據類型的,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,所有的數據類型默認是一樣的,所以如果其數據類型推斷為字符串(str),那麼直接使用 math.isnan(x) 則會報錯 TypeError: must be real number, not str 錯誤,即必需為實數,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,有的數據錯誤,如趙盈盈的出生日期是6月32號,所以報錯瞭。對於這樣類似的錯誤,我們可以使用函數判斷的方式進行處理,具體如下。

首先,編寫 isDate 函數用於判斷日期是否合法。

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

然後使用以下代碼進行判斷:

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'

輸出結果如下,可見錯誤的日期被修改成瞭2020年1月1日。

2001-6-32
   id   姓名      性別        出生日期          出生地   職業     愛好 
0   1  張小三       m  1992-10-03           北京  工程師     足球  
1   2  李雲義       m  1995-02-12           上海  程序員  讀書 下棋  
2   3   周娟       女  1998-03-25           合肥   護士  音樂,跑步  
3   4  趙盈盈  Female  2000-01-01          NaN   學生     畫畫   
4   5  鄭強強       男  1991-03-05  南京(nanjing)   律師  歷史-政治  

函數映射

方法1:直接使用labmda表達式

需要對數據列進行復雜操作的時候,我們可以使用以下函數時行相應的操作。

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

在進行映射時,如果操作比較簡單,可以使用字典的方式進行數值映射映射(參見下文)。但是如果操作比較復雜,則需要使用函數進行映射。請看這個示例,讀取到性別時,內容有 ‘m’, ‘M’, ‘Female’ 等內容,現在需要其全部轉換為 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:使用數值字典映射

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

總結

到此這篇關於Python pandas讀取CSV文件註意事項的文章就介紹到這瞭,更多相關pandas讀取CSV文件內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!

推薦閱讀: