为什么从Github加载CSV时会出现“错误标记数据”错误，而从硬盘加载完全相同的文件却没有错误？

Question

我对Python很陌生。我正在尝试学习如何从不同来源加载数据集。我在堆栈溢出或Google搜索中未发现以下问题。我有一个.csv数据文件，该文件最初是从科学数据存储库下载的。当我从硬盘驱动器加载它时，没有问题，而且我可以快速获取数据的基本事实，并看到只有两个NaN，并且列标题中没有语法错误。当我尝试从Github存储库中加载它时，我得到以下信息：

代码：

import pandas as pd
import numpy as np

df = pd.read_csv('https://github.com/hXXX/YYY/blob/master/CCCC.csv')

这将调用以下错误输出：

Error:
---------------------------------------------------------------------------
ParserError                               Traceback (most recent call last)
<ipython-input-34-d5c99e7779b6> in <module>
----> 1 df = pd.read_csv('https://github.com/hXXX/YYY/blob/master/CCCC.csv')
...
...

ParserError: Error tokenizing data. C error: Expected 1 fields in line 75, saw 4

我已经在几个Stack Overflow问题中研究了这种类型的错误，其中发现了数据文件中的键入错误。但是，我的csv文件中找不到任何文件，尤其是当我比较硬盘驱动器上的文件和Github存储库中的文件之间的行时（我从硬盘驱动器将文件加载到存储库中）。我得到了从Stack Overflow加载到Python的代码，因此假设它应该可以工作。该文件不是非常大，（3696，22）。感谢您的帮助。 谢谢 希伯

Answer 1

您使用的URL指向GitHub的Web查看器以获取存储库内容，因此下载的数据是一个网页，而不是原始CSV文件。 GitHub对原始文件内容使用了不同的URL方案，您可以在查看任何给定文件时使用Web界面中显示的“ Raw”按钮来查看它。对于您的示例，URL为https://raw.githubusercontent.com/hXXX/YYY/master/CCCC.csv。

请注意，GitHub并未正式提供此功能，以编程方式从其存储库中获取数据，因此它可能永远无法使用。