Python ParserError:标记数据时出错。C错误：第4行预期有7个字段，读取csv文件时看到10个错误

我正在尝试使用pandas读取

csv

文件

df1 = pd.read_csv('panda_error.csv', header=None, sep=',')

但我得到了这个错误：

ParserError: Error tokenizing data. C error: Expected 7 fields in line 4, saw 10

为了再现性，这里是csv文件

panda_error.csv

superkingdom:Bacteria , phylum:Actinobacteria , class:Actinobacteria , order:Corynebacteriales , family:Corynebacteriaceae , genus:Corynebacterium , species:Corynebacterium efficiens  1
superkingdom:Bacteria , phylum:Proteobacteria , class:Alphaproteobacteria , order:Rhizobiales , family:Aurantimonadaceae , genus:Aurantimonas , species:Aurantimonas manganoxydans  1
superkingdom:Bacteria , phylum:Proteobacteria , subphylum:delta/epsilon subdivisions , class:Deltaproteobacteria , no rank:unclassified Deltaproteobacteria , genus:Candidatus Entotheonella    1
superkingdom:Bacteria , phylum:Proteobacteria , class:Gammaproteobacteria , order:Pseudomonadales , family:Pseudomonadaceae , genus:Pseudomonas , species group:Pseudomonas syringae group , species subgroup:Pseudomonas syringae group genomosp. 2 , species:Pseudomonas amygdali , no rank:Pseudomonas amygdali pv. tabaci   1
superkingdom:Bacteria , phylum:Actinobacteria , class:Actinobacteria , order:Corynebacteriales , family:Nocardiaceae , genus:Rhodococcus , species:Rhodococcus wratislaviensis  1
superkingdom:Bacteria , phylum:Firmicutes , class:Clostridia , order:Clostridiales , family:Peptostreptococcaceae , genus:Peptoclostridium , species:Peptoclostridium difficile1

我真的不知道为什么会发生这种情况，以及如何解决这一问题。其他答案只对1有建议。使用我不想做的

error\u bad\u lines=False忽略问题行，或2。特定于特定场景

以下是完整的错误消息（如果有帮助）：

---------------------------------------------------------------------------
ParserError                               Traceback (most recent call last)
<ipython-input-34-72c0ecaf0513> in <module>
----> 1 df1 = pd.read_csv('panda_error.csv', header=None, sep=',')

/opt/anaconda3/lib/python3.7/site-packages/pandas/io/parsers.py in parser_f(filepath_or_buffer, sep, delimiter, header, names, index_col, usecols, squeeze, prefix, mangle_dupe_cols, dtype, engine, converters, true_values, false_values, skipinitialspace, skiprows, skipfooter, nrows, na_values, keep_default_na, na_filter, verbose, skip_blank_lines, parse_dates, infer_datetime_format, keep_date_col, date_parser, dayfirst, cache_dates, iterator, chunksize, compression, thousands, decimal, lineterminator, quotechar, quoting, doublequote, escapechar, comment, encoding, dialect, error_bad_lines, warn_bad_lines, delim_whitespace, low_memory, memory_map, float_precision)
    683         )
    684 
--> 685         return _read(filepath_or_buffer, kwds)
    686 
    687     parser_f.__name__ = name

/opt/anaconda3/lib/python3.7/site-packages/pandas/io/parsers.py in _read(filepath_or_buffer, kwds)
    461 
    462     try:
--> 463         data = parser.read(nrows)
    464     finally:
    465         parser.close()

/opt/anaconda3/lib/python3.7/site-packages/pandas/io/parsers.py in read(self, nrows)
   1152     def read(self, nrows=None):
   1153         nrows = _validate_integer("nrows", nrows)
-> 1154         ret = self._engine.read(nrows)
   1155 
   1156         # May alter columns / col_dict

/opt/anaconda3/lib/python3.7/site-packages/pandas/io/parsers.py in read(self, nrows)
   2057     def read(self, nrows=None):
   2058         try:
-> 2059             data = self._reader.read(nrows)
   2060         except StopIteration:
   2061             if self._first_chunk:

pandas/_libs/parsers.pyx in pandas._libs.parsers.TextReader.read()

pandas/_libs/parsers.pyx in pandas._libs.parsers.TextReader._read_low_memory()

pandas/_libs/parsers.pyx in pandas._libs.parsers.TextReader._read_rows()

pandas/_libs/parsers.pyx in pandas._libs.parsers.TextReader._tokenize_rows()

pandas/_libs/parsers.pyx in pandas._libs.parsers.raise_parser_error()

ParserError: Error tokenizing data. C error: Expected 7 fields in line 4, saw 10

---------------------------------------------------------------------------
ParserError回溯（上次最近的调用）
在里面
---->1 df1=pd.read\u csv（'panda\u error.csv'，header=None，sep='，'）
/解析器中的opt/anaconda3/lib/python3.7/site-packages/pandas/io/parsers.py（文件路径或缓冲区、sep、分隔符、标题、名称、索引列、usecols、挤压、前缀、重复、数据类型、引擎、转换器、真值、假值、skipinitialspace、SkipRous、skipfooter、nrows、na值、保留默认值、na过滤器、冗余、跳过空白行、解析日期、推断日期时间格式、保留日期列、日期分析器、dayfirst、c日期、迭代器、块大小、压缩、千、十进制、行终止符、引号、引号、双引号、转义、注释、编码、方言、错误错误行、警告行、删除空格、内存不足、内存映射、浮点精度）
683         )
684
-->685返回读取（文件路径或缓冲区，kwds）
686
687解析器名称
/opt/anaconda3/lib/python3.7/site-packages/pandas/io/parsers.py in_read（文件路径或缓冲区，kwds）
461
462尝试：
-->463 data=parser.read（nrows）
464最后：
465语法分析器
/读取中的opt/anaconda3/lib/python3.7/site-packages/pandas/io/parsers.py（self，nrows）
1152 def读取（自身，nrows=无）：
1153 nrows=_validate_integer（“nrows”，nrows）
->1154 ret=自身发动机读取（nrows）
1155
1156#可更改列/列目录
/读取中的opt/anaconda3/lib/python3.7/site-packages/pandas/io/parsers.py（self，nrows）
2057 def读取（自身，nrows=无）：
2058试试：
->2059数据=自身读取（nrows）
2060除停止迭代外：
2061如果自我第一块：
pandas/_libs/parsers.pyx在pandas中。_libs.parsers.textleader.read（）
pandas/_libs/parsers.pyx在pandas中。_libs.parsers.TextReader._read_low_memory（）
pandas/_libs/parsers.pyx在pandas中。_libs.parsers.TextReader._read_rows（）
pandas/_libs/parsers.pyx在pandas中。_libs.parsers.TextReader。_tokenize_rows（）
pandas/_libs/parsers.pyx在pandas中。_libs.parsers.raise_parser_error（）
ParserError:标记数据时出错。C错误：第4行预期有7个字段，saw 10
为我工作

### Loop the data lines
with open("panda_error.csv", 'r') as temp_f:
    # get No of columns in each line
    col_count = [ len(l.split(",")) for l in temp_f.readlines() ]

### Generate column names  (names will be 0, 1, 2, ..., maximum columns - 1)
column_names = [i for i in range(0, max(col_count))]

### Read csv
df = pd.read_csv("panda_error.csv", header=None, delimiter=",", names=column_names)

Pandas是处理表格数据的工具。
这意味着每一行应该包含相同数量的字段。
对于CSV输入，还有一个要求，即字段
每一行的顺序应相同

但您的输入文件实际上无法满足这两个要求

前2行（可能还有大多数其他行）有7个字段：
超级王国，门，纲，目，科，属和种

第三行包含：
超级王国，门，亚门，纲，无等级和属。
因此：


有额外的字段（亚门和无等级）

你没有像秩序、家族和物种这样的领域

这不会导致读取csv失败，只是因为字段数
不超过前几行中的字段数（总共有6个字段）

但真正的问题在第4行，这里有10个字段

所以“普通”阅读并不是一个好的选择。
即使设置的列数足以读取所有行，
属性将以难以读取的方式“分散”在列中

任何基于列名分析此类数据的尝试也将失败，
因为每一列在不同的行中将有不同的信息

另一个问题是，用逗号分隔的数据将包含。
超级王国：细菌，即：


应该是列（属性）名称的文本
冒号
实际值

要克服这些问题，请尝试另一种读取输入文件的方法：

使用Read_csv读取您的输入文件，但作为单个
列（sep设置为未使用的字符）


下一步，生成一个数据帧，该数据帧可以由
提取程序（需要重新导入）：

如果要将这些数据作为表转换为每个名称
在相应的列中，运行：

df3 = df2.set_index('name', append=True).unstack(fill_value='')
df3.columns = df3.columns.droplevel()

看一看结果，我认为它比以前更具可读性
任何其他尝试。
错误是因为在第4行之前有7列（CSV中有7个逗号），但在第4行有更多列。查看此链接了解如何克服此问题CSV文件中的所有行都需要具有相同数量的字段，因为数据帧必须是统一的。我认为第2步的替代方法
df2=df.col1.str.split（“；”，expand=True）
将产生更快的结果，并显著简化代码。（对于分隔符，；”可任意添加。将字符更改为文本文件的真正分隔符字符）。
df2 = df.col1.str.extractall(
    r'(?P<name>[A-Z ]+[A-Z]):(?P<value>[A-Z /]+[A-Z])', flags=re.I)\
    .reset_index(level=1, drop=True)

                name                                value
0       superkingdom                             Bacteria
0             phylum                       Actinobacteria
0              class                       Actinobacteria
0              order                    Corynebacteriales
0             family                   Corynebacteriaceae
0              genus                      Corynebacterium
0            species            Corynebacterium efficiens
1       superkingdom                             Bacteria
1             phylum                       Proteobacteria
1              class                  Alphaproteobacteria
1              order                          Rhizobiales
1             family                    Aurantimonadaceae
1              genus                         Aurantimonas
1            species           Aurantimonas manganoxydans
2       superkingdom                             Bacteria
2             phylum                       Proteobacteria
2          subphylum           delta/epsilon subdivisions
2              class                  Deltaproteobacteria
2            no rank     unclassified Deltaproteobacteria
2              genus             Candidatus Entotheonella
3       superkingdom                             Bacteria
3             phylum                       Proteobacteria
3              class                  Gammaproteobacteria
3              order                      Pseudomonadales
3             family                     Pseudomonadaceae
3              genus                          Pseudomonas
3      species group           Pseudomonas syringae group
3   species subgroup  Pseudomonas syringae group genomosp
3            species                 Pseudomonas amygdali
3            no rank              Pseudomonas amygdali pv
4       superkingdom                             Bacteria
4             phylum                       Actinobacteria
4              class                       Actinobacteria
4              order                    Corynebacteriales
4             family                         Nocardiaceae
4              genus                          Rhodococcus
4            species          Rhodococcus wratislaviensis
5       superkingdom                             Bacteria
5             phylum                           Firmicutes
5              class                           Clostridia
5              order                        Clostridiales
5             family                Peptostreptococcaceae
5              genus                     Peptoclostridium
5            species           Peptoclostridium difficile

df3 = df2.set_index('name', append=True).unstack(fill_value='')
df3.columns = df3.columns.droplevel()