ParserError：标记化数据时出错。C错误：第4行应有7个字段，读取CSV文件 pandas 时看到10个错误 [英] ParserError: Error tokenizing data. C error: Expected 7 fields in line 4, saw 10 error in reading csv file pandas

问题描述

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

为了便于重现，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

我不太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error_bad_lines=False忽略我不想做的烦人的代码行，或者2.特定于某些场景。

以下是完整的错误消息(如果这有帮助)：

---------------------------------------------------------------------------
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

推荐答案

pandas 是处理表格数据的工具。 这意味着每一行应该包含相同数量的字段。 在CSV输入的情况下，还有一个要求，即字段 每一行的顺序应相同。

但您的输入文件实际上无法同时满足这两个要求。

前2行(可能还有大多数其他行)有7个字段： 超级王国、门、类、目、科、属和种。

第三行包含： 超界、门、亚门、纲、无等级和属。 所以：

• 有其他字段(亚语系和无排名)，
• 您没有像顺序、家族和物种这样的字段。

这不会导致Read_CSV失败，只是因为 不超过前一行的字段数(共有6个字段)。

但真正的问题在第4行，其中有10个字段。

所以"普通"Read_CSV在这里绝不是什么好的选择。 即使您设置的列数足以读取所有行， 属性将以一种难以阅读的方式"分散"在列中。

任何基于列名分析此类数据的尝试也将失败， 因为每列在不同行中具有不同的信息。

还有一个问题是，以逗号分隔的数据将包含例如 超级王国：细菌，即：

• 应为列(属性)的文本名称，
• 冒号
• 实际值。

若要解决这些问题，请尝试另一种读取输入文件的方法：

1. 使用Read_CSV读取输入文件，但将其作为单个 列(9月设置为未使用的字符)。

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

2. 下一步，生成可通过 程序为提取(需要重新导入)：

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

如果您不熟悉正则表达式，请阅读一些有关它们的内容。

结果是一个包含2列的DataFrame：

• 名称-属性名称，例如超级王国、
• 值-属性值，例如细菌。

该索引与df中的相同-它是从0开始的源行号。

对于您的样本数据，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

如果要将这些数据作为表并转换每个名称 到相应的列，运行：

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

看一下结果，我认为它将比 任何其他尝试。

这篇关于ParserError：标记化数据时出错。C错误：第4行应有7个字段，读取CSV文件 pandas 时看到10个错误的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！