本文介绍了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个错误的处理方法，对大家解决问题具有一定的参考价值，需要的朋友们下面随着小编来一起学习吧！
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：
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'])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编程学习网！
本站部分内容来源互联网,如果有图片或者内容侵犯您的权益请联系我们删除！