读取.dta汉字文件的编码错误

Question

我正在尝试用pandas读取.dta文件：

import pandas as pd
my_data = pd.read_stata('filename', encoding='utf-8')

错误信息是：

ValueError: Unknown encoding. Only latin-1 and ascii supported.

其他编码形式也无效，例如 gb18030 或 gb2312 用于处理Chineses字符。如果我删除编码参数，DataFrame将是所有垃圾值。

Answer 1

只需通过默认编码读取原始数据，然后转换为预期的编码！假设具有乱码文本的列为column1

import pandas as pd
dta = pd.read_stata('filename.dta')
print(dta['column1'][0].encode('latin-1').decode('gb18030'))

print结果会显示正常的中文字符，gb2312也可以显示。

Answer 2

查看pandas的源代码（版本0.22.0），read_stata支持的编码是（'ascii'，'us-ascii'，'latin-1'，'latin_1'，'iso-8859-1 '，'iso8859-1'，'8859'，'cp819'，'拉丁'，'拉丁1'，'L1'）。所以你只能从这个列表中选择。