在python中将em破折号转换为连字符
我正在将csv文件转换为python数据帧。在原始文件中,其中一列包含字符em-dash。我要用连字符“-”替换它 来自csv的部分原始文件:在python中将em破折号转换为连字符,python,csv,pandas,unicode,iso-8859-1,Python,Csv,Pandas,Unicode,Iso 8859 1,我正在将csv文件转换为python数据帧。在原始文件中,其中一列包含字符em-dash。我要用连字符“-”替换它 来自csv的部分原始文件: NoDemande NoUsager Sens IdVehicule NoConduteur HeureDebutTrajet HeureArriveeSurSite HeureEffective' 42192001801 42192002715 — 157Véh 4
NoDemande NoUsager Sens IdVehicule NoConduteur HeureDebutTrajet HeureArriveeSurSite HeureEffective'
42192001801 42192002715 — 157Véh 42192000153 ...
42192000003 42192002021 + 157Véh 42192000002 ...
42192001833 42192000485 — 324My3FVéh 42192000157 ...
我的代码:
#coding=latin-1
import pandas as pd
import glob
pd.set_option('expand_frame_repr', False)
path = r'D:\Python27\mypfe\data_test'
allFiles = glob.glob(path + "/*.csv")
frame = pd.DataFrame()
list_ = []
for file_ in allFiles:
df = pd.read_csv(file_,index_col=None,header=0,sep=';',parse_dates=['HeureDebutTrajet','HeureArriveeSurSite','HeureEffective'],
dayfirst=True)
df['Sens'].replace(u"\u2014","-",inplace=True,regex=True)
list_.append(df)
它根本不起作用,每次它都只是将它们转换成?
,看起来是这样的:
42191001122 42191002244 ? 181Véh 42191000114 ...
42191001293 42191001203 ? 319M9pVéh 42191000125 ...
42191000700 42191000272 ? 183Véh 42191000072 ...
因为文件中有法语字符,所以我使用latin-1
而不是utf-8
。如果我删除第一行并这样写:
df = pd.read_csv(file_,index_col=None,header=0,sep=';',encoding='windows-1252',parse_dates=['HeureDebutTrajet','HeureArriveeSurSite','HeureEffective'],
dayfirst=True)
结果将是:
42191001122 42191002244 â?? 181Véh 42191000114 ...
42191001293 42191001203 â?? 319M9pVéh 42191000125 ...
42191000700 42191000272 â?? 183Véh 42191000072 ...
如何将所有em破折号-
替换为-
我添加了关于repr
的部分:
for line in open(file_):
print repr(line)
结果是:
'"42191002384";"42191000118";"\xe2\x80\x94";"";"42191000182";...
'"42191002464";"42191001671";"+";"";"42191000182";...
'"42191000045";"42191000176";"\xe2\x80\x94";"620M9pV\xc3\xa9h";"42191000003";...
'"42191001305";"42191000823";"\xe2\x80\x94";"310V7pV\xc3\xa9h";"42191000126";...
u'\u2014'
(EM破折号)不能用拉丁语1/iso-8859-1编码,因此值不能出现在正确编码的拉丁语1文件中
文件可能编码为windows-1252,其u'\u2014'
可以编码为'\x97'
另一个问题是CSV文件显然使用空格作为列分隔符,但您的代码使用分号。您可以使用delim\u whitespace=True
将空格指定为分隔符:
df = pd.read_csv(file_, delim_whitespace=True)
您还可以使用encoding
参数指定文件的编码read_csv()
将传入数据转换为unicode:
df = pd.read_csv(file_, encoding='windows-1252', delim_whitespace=True)
在Python2中(我认为您正在使用它),如果不指定编码,数据将保持原始编码,这可能是替换不起作用的原因
正确加载文件后,可以按如下操作替换字符:
df = pd.read_csv(file_, encoding='windows-1252', delim_whitespace=True)
df['Sens'].replace(u'\u2014', '-', inplace=True)
编辑 在显示
repr()
输出的更新之后,您的文件将显示为UTF8编码,而不是latin1,也不是Windows-1252。由于您使用的是Python 2,因此在加载CSV文件时需要指定编码:
df = pd.read_csv(file_, sep=';', encoding='utf8')
df['Sens'].replace(u'\u2014', '-', inplace=True)
由于您指定了编码,
read\u csv()
将把传入的数据转换为unicode,因此replace()
现在应该如上图所示工作。这应该很简单。@ch36r5s:请注意,我重新考虑了您的问题,现在您的CSV文件似乎编码为windows-1252
。我已经相应地更新了答案。我按照你说的进行了更正,结果是:(不是同一行)421910000942191000448——??164Véh 4219100008 42191000592
。我显示的csv文件是python发布的,原始文件类似于“42192001833”;"42192000485";"—";“324My3FVéh”;“42192000157”
,所以我留下了sep=';'代码>原样。这看起来仍然像是编码问题。您为读取\u csv()
指定了哪种编码?您可以从以下内容发布所选输出:用于打开的行('file.csv'):打印报告(行)
。显示一些不正确的行的示例。这应该有助于识别编码。我从一开始就用输出更新了我的问题。而encoding='windows-1252'
@ch36r5s的新结果:请添加repr()
的输出,如我在前面的评论中所述。该repr
输出是在文件名的字符上迭代,而不是在实际文件中的行上,因此它不是非常有用的。使用作为“打开的行”(文件)
来获得更有用的结果(您需要从输出中选取一些示例行添加到问题中,而不是全部包括在内)。