python - 如何使用包含引号并使用多个分隔符的 pandas 读取 CSV 文件
问题描述
我正在做一个项目,我在 for 循环中读取多个 CSV 文件,一些文件包含一个分号 (;) 作为分隔符,而其他文件包含一个逗号 (,)。我需要将标题保留在所有 CSV 文件中,因此我不能使用固定标题。
我在处理一个 CSV 文件时遇到问题,尤其是其中包含某些值的引号,例如
第 1 列,第 2 列,第 3 列,第 4 列 12531,ABCDE,"12523,2",EXAMPLE 52313,ADE,12302,EXAMPLE
使用逗号作为分隔符不起作用,因为我最终得到 15 个值而不是 13 个导致解析错误。
在记事本中打开文件时,我看到对于包含带引号的值的行,双引号被添加到所述值以及逗号被添加到行的开头和结尾:
第 1 列,第 2 列,第 3 列,第 4 列 "12531,ABCDE,""12523,2"",EXAMPLE" 52313,ADE,12302,EXAMPLE
我想像其他文件一样成功处理这个文件,同时保持使用的能力:
- 文件头
- 多个分隔符 (, 或 ;)
我尝试用 . 替换引号之间的 , 。但这并不能消除将引号添加到行首和行尾的问题,而且它根本不起作用,因为它原来是两个引号..
extension = 'csv'
all_filenames = [i for i in glob.glob('*.{}'.format(extension))]
for csv in all_filenames:
file = open(csv, 'r')
content = file.read()
content = re.sub(r'(?!(([^"]*"){2})*[^"]*$),', '.', content)
combined_csv = pd.read_csv(csv, sep=";|,", engine="python")
appended_data.append(combined_csv)
appended_data = pd.concat(appended_data)
解决方案
我建议用一次出现替换逗号之前或之后的多个块"
,然后使用pd.read_csv
参数quotechar='"'
来确保引用的字段最终出现在单个列中:
content = re.sub(r'(?<![^,])"{2,}|"{2,}(?![^,])', '"', content)
#...
combined_csv = pd.read_csv(csv, sep=";|,", engine="python", quotechar='"')
正则表达式详细信息:
(?<![^,])
- 在当前位置之前,必须有逗号或字符串开头"{2,}
- 两个或更多"
字符|
- 或者"{2,}
- 两个或更多"
字符(?![^,])
- 紧跟在当前位置之后,必须有逗号或字符串结尾。
推荐阅读
- javascript - 如何从 React 中的 int 像素值数组渲染图像?
- node.js - 无法在 CentOS 7 上安装节点画布
- java - 循环给定最大值和范围
- python - 根据列中的值是整数(整数)的条件过滤数据框
- javascript - 动态加载未在 SVG 中呈现
- bash - 高于某个截止值的连续值的数量
- excel - 用于将数据从 DB 提取到 Excel 的 Shell 脚本
- mockito - AndroidViewModel 和单元测试
- django - Django:为 save.method 提取字典
- spring - 如何测试 Spring @EventListener 方法?