Question

我具有以下格式的原始数据：

JobID,Publish,Expire,TitleAndDetail
7428,17/12/2006 2:00:00 PM,28/01/2007 2:00:00 PM,Project Engineer - Mechanical      Looking,.....,....
7429,9/03/2006 2:00:00 PM,27/02/2007 2:00:00 PM,Supply Teacher      The job is,.....,.....

如您所见，定界符是逗号，但是最后一列是其中包含逗号的文本块。 我正在使用熊猫的read_csv函数来读取此CSV文件。但是，在熊猫数据框中，每行第四个逗号之后的文本部分会丢失。

raw_data = pd.read_csv(r"/ABC/JobDetails.csv",
                       names=['JobID', 'Publish', 'Expire', 'TitleAndDetail'],
                       header=None
                       )

如果使用string.split()函数，我可以指定一个maxsplit参数，即使有很多逗号，我也可以将所有内容保留在最后一列中。熊猫有类似的功能吗？

Answer 1

因此，您可以尝试以下技巧：

raw_data = pd.read_csv(r"/ABC/JobDetails.csv",
                       squeeze=True,
                       sep="\a"
                       )

这应该让您忽略“，” s

那么您可以做：

df = raw_data.str.split(",", n=4, expand=True)
df.columns = ['JobID', 'Publish', 'Expire', 'TitleAndDetail']

那应该分成4列并重命名

Answer 2

您可以通过以下方式进行：

with open("file.csv", "r") as fp:
    reader = csv.reader(fp, delimiter=",")
    rows = [x[:3] + [','.join(x[3:])] for x in reader]
    df = pd.DataFrame(rows)
    df.columns = df.iloc[0]
    df = df.reindex(df.index.drop(0))
    print df

Answer 3

手动读取文件，然后创建数据框：

rows = []

with open('somefile.csv') as f:
  keys = next(f).split(',')
  for line in f:
     rows.append(dict(zip(keys, line.split(',', 3))))

df = pd.DataFrame(rows)

.split使用一个可选参数来限制它在定界符上分割的次数。传递3表示它会忽略最后一个字段中的逗号：

>>> s.split(',', 3)
['7428',
 '17/12/2006 2:00:00 PM',
 '28/01/2007 2:00:00 PM',
 'Project Engineer - Mechanical      Looking,.....,....']

接下来，我们使用标题行中的键和数据行中的值创建一个字典：

>>> f = 'JobID,Publish,Expire,TitleAndDetail'.split(',')
>>> dict(zip(f, s.split(',', 3)))
{'JobID': '7428',
 'Publish': '17/12/2006 2:00:00 PM',
 'Expire': '28/01/2007 2:00:00 PM',
 'TitleAndDetail': 'Project Engineer - Mechanical      Looking,.....,....'}

最后，我们列出这些词典的列表（在rows中，并将其作为自变量传递以创建数据框对象。

如何使用熊猫在最后一个字段中存在分隔符的情况下读取CSV文件？

3 个答案: