哪个文件导致`dask.dataframe.read_csv`失败？

Question

我经常遇到的类似错误

>> dd.read_csv('/tmp/*.csv', parse_dates=['start_time', 'end_time'])

Traceback (most recent call last):
...
  File "/Users/brettnaul/venvs/model37/lib/python3.6/site-packages/dask/dataframe/io/csv.py", line 163, in coerce_dtypes
    raise ValueError(msg)
ValueError: Mismatched dtypes found in `pd.read_csv`/`pd.read_table`.

The following columns failed to properly parse as dates:

- start_time
- end_time

This is usually due to an invalid value in that column. To
diagnose and fix it's recommended to drop these columns from the
`parse_dates` keyword, and manually convert them to dates later
using `dd.to_datetime`.

很明显，我的一个文件格式错误，但是哪个文件格式错误？到目前为止，我想出的最好的解决方案是：

• 在IPython中重新运行相同的命令
• ％调试魔术
• 将原始CSV文本样本打印到控制台
• 找到一些独特的文本和grep，直到找出有问题的文件

对我来说，这似乎是一个round回，但除非我缺少明显的东西，否则回溯中似乎没有其他可用的识别信息。是否有更好的方法来找出哪个文件失败？使用collection=False并检查Delayed对象也可能有效，但我不确定要查找的内容。

调用read_csv后，引发的异常是否可以通过某种方式包含有关问题发生位置的提示？

Answer 1

一种方法可能是在读取文件时包括文件名，推迟日期解析（仅遵循错误消息中的建议），将错误视为NaT，然后从文件中找出有问题的错误。结果。在下面的示例中，2.csv和3.csv包含有问题的值：

In [45]: !cat 1.csv
a
2018-01-01
2018-01-02

In [46]: !cat 2.csv
a
2018-01-03
2018-98-04

In [47]: !cat 3.csv
a
2018-01-05b
2018-01-06

In [48]: !cat 4.csv
a
2018-01-07
2018-01-08

In [49]: df = dd.read_csv('*.csv', include_path_column=True)

In [50]: df['a'] = dd.to_datetime(df.a, errors='coerce')

In [51]: df[df['a'].isnull()].path.compute()
Out[51]: 
1    2.csv
0    3.csv

尤其是，这告诉我们2.csv中的第二行（索引为1）和3.csv中的第一行（索引为0）是罪魁祸首。