读取列之间具有换行符的csv文件

Question

我已经使用熊猫读取和解析csv文件，列由分号分隔；。一些文件在某些列之后有（出于未知原因）一个'\r\n'序列，这使得pandas.read_csv将它们拆分为不同的行。我想转义这些字符并将“第二行”附加到“第一行”，否则之后解析会变得困难。

我可以识别这些行，因为它们后面是数字，而正确的第一列包含时间，如00:00:00。熊猫有可能做到这一点吗。是否读取csv？

实例

如果文件正确，我的代码如下所示：

data = io.StringIO( ''' a; b; c; d 
                    x10; 20; 30; 40
                    x11; 21; 31; 41
                    x12; 22; 32; 42
                    x13; 23; 33; 43
                    x14; 24; 34; 44
                    x15; 25; 35; 45
                 ''' )

pd.read_csv( data, sep=';' )

输出：

    a   b   c   d
0   10  20  30  40
1   11  21  31  41
2   12  22  32  42
3   13  23  33  43
4   14  24  34  44
5   15  25  35  45

问题

如果文件已损坏，则如下所示：

data = io.StringIO( ''' a; b; c; d 
                        x10; 20; 30; 40
                        x11; 21; 31; 41
                        x12; 22; 
                        32; 42
                        x13; 23; 33; 43
                        x14; 24; 34; 44
                        x15; 25; 35; 45
                     ''' )

pd.read_csv( data, sep=';' )

输出：

    a   b   c   d
0   x10     20  30  40.0
1   x11     21  31  41.0
2   x12     22      NaN
3   32  42  NaN     NaN
4   x13     23  33  43.0
5   x14     24  34  44.0
6   x15     25  35  45.0

然而，在这两种情况下，预期输出都是第一个输出。在本例中，我想在pandas中构建数据帧之前/期间，用\r\n\d\d替换\r\n\d\d，以除去这些换行符。

如果可能的话，我希望避免先修复文件，避免在与熊猫一起阅读之前制作额外的脚本来检查所有文件，因为有新文件定期出现。

在熊猫中读取csv文件时是否可以替换部分字符串？

有没有其他方法来解决这种问题？

使用python 3.6.8，熊猫0.24.2

Answer 1

我从ivallesp的答案中得到了部分信息，并想出了一个解决方案，可以保留断开的线。

我将其作为文档发布在这里，以供未来的我（往往会忘记这些事情）以及可能遇到类似问题的其他人使用。

错误的文件，带虚线

infile = io.StringIO( ''' a; b; c; d 
                        x10; 20; 30; 40
                        x11; 21; 31; 41
                        x12; 22; 
                        32; 42
                        x13; 23; 33; 43
                        x14; 24; 34; 44
                        x15; 25; 35; 45
                     ''' )

# The lines are joined with a \n, and whitespace stripped
data = '\n'.join( [ item.strip() for item in infile ] )
# Now data is not a file stream, but a string, with \n s in between

#Search for occurrences of newline + NOT(x + number) and just keep
# found group 
data = re.sub( '\n(?!x\d\d)', '\1', data )

# Now data is a file stream again
data = io.StringIO( data )

# Fed to pandas.read_csv
pd.read_csv( data, sep=';' )

变异

由于磁盘中有一个实际的文件（不是io.StringIO），我不得不做一个小的修改，删除。strip（），不确定原因。除此之外，它还可以在无连接的情况下工作 ）。

最后，我的实际文件在第一列中有时间，形式为00:00、00:05等。所以我实际上是这样使用的：

import re

with open( 'broken_rows_file.csv', 'r' ) as infile:
    data = ''.join( [ item for item in infile ] )

#All that is NOT ##:## should be replaced
data = re.sub( '\n(?!\d\d:\d\d)', '\1', data ) 
data = io.StringIO( data )

df = pd.read_csv( data, sep=';' )
df

       a    b   c   d
0   00:10   20  30  40
1   00:11   21  31  41
2   00:12   22  32  42
3   00:13   23  33  43
4   00:14   24  34  44
5   00:15   25  35  45

Answer 2

这是大型CSV常见的情况。解决这个问题的方法是使用python读取它们，并检查分隔符的数量是否与您期望的匹配，否则删除该行。然后，更正原始数据后，可以使用StringIO将其加载到pandas中。在错误的示例上添加一个示例：

# We load the file
filestream = open(filepath)

# Now we filter the data as follows
data = filter(lambda l: l.count(";")==3, filestream)

# Now we convert to String IO
stream = io.StringIO("\n".join(data))

# And finally we read with Pandas
pd.read_csv(stream, sep=';' )