Question

我尝试用熊猫分析的HTTP日志文件有时会出现意外行。这是我加载数据的方式：

df = pd.read_csv('mylog.log',
            sep=r'\s(?=(?:[^"]*"[^"]*")*[^"]*$)(?![^\[]*\])', 
            engine='python', na_values=['-'], header=None,
            usecols=[0, 3, 4, 5, 6, 7, 8,10],
            names=['ip', 'time', 'request', 'status', 'size', 
                'referer','user_agent','req_time'], 
                converters={'status': int, 'size': int, 'req_time': int})

它对于我拥有的大多数日志（来自同一服务器）都可以正常工作。但是，在加载某些日志时，会引发异常：要么

 TypeError: int() argument must be a string, a bytes-like object or a  number, not 'NoneType'

或

ValueError: invalid literal for int() with base 10: '"GET /agent/10577/bdl HTTP/1.1"'

为示例起见，这是触发第二个异常的行：

22.111.117.229, 22.111.117.229 - - [19/Sep/2018:22:17:40 +0200] "GET /agent/10577/bdl HTTP/1.1" 204 - "-" "okhttp/3.8.0" apibackend.site.fr 429282

我使用以下（非常慢的）函数来查找内接行的号码：

def search_error_dichotomy(path):    
        borne_inf = 0
        log = open(path)
        borne_sup = len(log.readlines())
        log.close()
        while borne_sup - borne_inf>1:
            exceded = False
            search_index = (borne_inf + borne_sup) // 2
            try:
                pd.read_csv(path,...,...,nrows=search_index)
            except:
                exceded = True
            if exceded:
                borne_sup = search_index
            else:
                borne_inf = search_index

        return search_index

我想要的是这样的东西：

try:
    pd.read_csv(..........................)
except MyError as e:
    print(e.row_number)

其中e.row_number是凌乱的行号。

谢谢。

解决方案 所有贡献归功于devssh，他的建议不仅使过程更快，而且使我能够立即获得所有意外行。这是我所做的：

不使用转换器加载数据框。

df = pd.read_csv(path,
                 sep=r'\s(?=(?:[^"]*"[^"]*")*[^"]*$)(?![^\[]*\])', 
                 engine='python', na_values=['-'], header=None,
                 usecols=[0, 3, 4, 5, 6, 7, 8,10],
                 names=['ip', 'time', 'request', 'status', 'size',
                 'referer', 'user_agent', 'req_time'])

使用.reset_index（）添加“索引”列。
```
df = df.reset_index()
```

编写自定义函数（与apply一起使用），如果可能的话将转换为int，否则保存字典中的条目和“索引” rong_lines

wrong_lines = {}
def convert_int_feedback_index(row,col):
    try:
        ans = int(row[col])
    except:
        wrong_lines[row['index']] = row[col]
        ans = pd.np.nan
    return ans

对我要转换的列（例如col ='status'，'size'或'req_time'）使用apply
```
df[col] = df.apply(convert_int_feedback_index, axis=1, col=col)
```

Answer 1

您是否尝试过pd.read_csv（...，nrows = 10）来查看它是否可以在10行上使用？

也许您不应该使用converters来指定dtypes。加载DataFrame，然后将dtype应用于df["column"] = df["column"].astype(np.int64)之类的列或诸如df["column"]=df["column"].apply(lambda x: convert_type(x))之类的自定义函数，并在函数convert_type中自行处理错误。最后，通过调用df.to_csv("preprocessed.csv", headers=True, index=False)更新csv。我认为您无法从pd.read_csv本身获得行号。分隔符本身看起来太复杂了。

或者您可以尝试将csv作为单列DataFrame读取，并使用df["column"].str.extract使用正则表达式提取列。这样，您可以控制如何引发异常或处理错误的默认值。

df.reset_index()将为您提供行号。这样，如果您apply to two columns，您还将获得行号。它将为您提供带有行号的索引列。将其与应用于多个列结合使用，您可以自定义所有内容。

read_csv获取发生异常的行

1 个答案: