python - パンダでコンマと文字を含むCSVファイルを読み取る際の問題

Question

パンダを使用してcsvファイルを読み取ろうとしていますが、ファイルには、ユーザーが指定したタグで構成され、-、 ""、''、1950年代、16世紀のようなタグを持つTagsという列があります。これらはユーザー提供であるため、誤って入力された特殊文字も多くあります。問題は、pandasread_csvを使用してcsvファイルを開くことができないことです。error：Cparser、データのトークン化エラーが表示されます。誰かがcsvファイルをパンダに読み込むのを手伝ってもらえますか？

Answer 1

わかった。正しくフォーマットされていないCSVから始めると、次のように読み取ることができません。

>>> !cat unquoted.csv
1950's,xyz.nl/user_003,bad, 123
17th,red,flower,xyz.nl/user_001,good,203
"",xyz.nl/user_239,not very,345
>>> pd.read_csv("unquoted.csv", header=None)
Traceback (most recent call last):
  File "<ipython-input-40-7d9aadb2fad5>", line 1, in <module>
    pd.read_csv("unquoted.csv", header=None)
[...]
  File "parser.pyx", line 1572, in pandas._parser.raise_parser_error (pandas/src/parser.c:17041)
CParserError: Error tokenizing data. C error: Expected 4 fields in line 2, saw 6

最後の3つの列が正常に動作しているという事実を利用して、より良いバージョンを作成できます。

import csv

with open("unquoted.csv", "rb") as infile, open("quoted.csv", "wb") as outfile:
    reader = csv.reader(infile)
    writer = csv.writer(outfile)
    for line in reader:
        newline = [','.join(line[:-3])] + line[-3:]
        writer.writerow(newline)

を生成します

>>> !cat quoted.csv
1950's,xyz.nl/user_003,bad, 123
"17th,red,flower",xyz.nl/user_001,good,203
,xyz.nl/user_239,not very,345

そしてそれを読むことができます：

>>> pd.read_csv("quoted.csv", header=None)
                 0                1         2    3
0           1950's  xyz.nl/user_003       bad  123
1  17th,red,flower  xyz.nl/user_001      good  203
2              NaN  xyz.nl/user_239  not very  345

ただし、この問題をソースで修正し、許容できる形式でデータを取得することを検討します。このようなトリックは必要ないはずであり、修復が不可能になるのは非常に簡単だったでしょう。