Python 熊猫:使用用户更正的错误值导入csv
我尝试导入csv并处理错误的值,例如,错误的十进制分隔符或int/double列中的字符串。我使用转换器进行错误修复。对于数字列中的字符串,用户会看到一个输入框,必须在其中固定值。是否可以获取实际“导入”的列名和/或行?如果没有,有没有更好的方法Python 熊猫:使用用户更正的错误值导入csv,python,csv,pandas,user-input,converters,Python,Csv,Pandas,User Input,Converters,我尝试导入csv并处理错误的值,例如,错误的十进制分隔符或int/double列中的字符串。我使用转换器进行错误修复。对于数字列中的字符串,用户会看到一个输入框,必须在其中固定值。是否可以获取实际“导入”的列名和/或行?如果没有,有没有更好的方法 example csv: ------------ description;elevation point a;-10 point b;10,0 point c;35.5 point d;30x from PyQt4 import QtGui im
example csv:
------------
description;elevation
point a;-10
point b;10,0
point c;35.5
point d;30x
from PyQt4 import QtGui
import numpy
from pandas import read_csv
def fixFloat(x):
# return x as float if possible
try:
return float(x)
except:
# if not, test if there is a , inside, replace it with a . and return it as float
try:
return float(x.replace(",", "."))
except:
changedValue, ok = QtGui.QInputDialog.getText(None, 'Fehlerhafter Wert', 'Bitte korrigieren sie den fehlerhaften Wert:', text=x)
if ok:
return self.fixFloat(changedValue)
else:
return -9999999999
def fixEmptyStrings(s):
if s == '':
return None
else:
return s
converters = {
'description': fixEmptyStrings,
'elevation': fixFloat
}
dtypes = {
'description': object,
'elevation': numpy.float64
}
csvData = read_csv('/tmp/csv.txt',
error_bad_lines=True,
dtype=dtypes,
converters=converters
)
如果您想迭代它们,内置的
csv.DictReader
非常方便。我写了这个函数:
import csv
def read_points(csv_file):
point_names, elevations = [], []
message = (
"Found bad data for {0}'s row: {1}. Type new data to use "
"for this value: "
)
with open(csv_file, 'r') as open_csv:
r = csv.DictReader(open_csv, delimiter=";")
for row in r:
tmp_point = row.get("description", "some_default_name")
tmp_elevation = row.get("elevation", "some_default_elevation")
point_names.append(tmp_point)
try:
tmp_elevation = float(tmp_elevation.replace(',', '.'))
except:
while True:
user_val = raw_input(message.format(tmp_point,
tmp_elevation))
try:
tmp_elevation = float(user_val)
break
except:
tmp_elevation = user_val
elevations.append(tmp_elevation)
return pandas.DataFrame({"Point":point_names, "Elevation":elevations})
对于四行测试文件,它给出了以下内容:
In [41]: read_points("/home/ely/tmp.txt")
Found bad data for point d's row: 30x. Type new data to use for this value: 30
Out[41]:
Elevation Point
0 -10.0 point a
1 10.0 point b
2 35.5 point c
3 30.0 point d
[4 rows x 2 columns]
显示一个完整的QT对话框对于这个任务来说似乎有点过分了。为什么不只是一个命令提示符?您还可以添加更多的转换函数,并将一些东西(如分隔符)更改为关键字参数(如果您希望它更具自定义性)
一个问题是有多少数据需要迭代。如果是大量数据,这将非常耗时和乏味。在这种情况下,您可能只想放弃像“30x”这样的观察值,或者将它们的点ID名称写入其他文件,这样您就可以返回并在Emacs或VIM之类的东西中一次性处理它们,在这里,一次处理大量文本将更容易。我将采用不同的方法。
而不是在读取csv时,我会天真地读取csv并然后修复/转换为浮点:
In [11]: df = pd.read_csv(csv_file, sep=';')
In [12]: df['elevation']
Out[12]:
0 -10
1 10,0
2 35.5
3 30x
Name: elevation, dtype: object
现在,只需遍历此列:
In [13]: df['elevation'] = df['elevation'].apply(fixFloat)
这将使您更容易对代码进行推理(您将函数应用于哪些列,如何访问其他列等)。您可以使用
df['elevation']=df['elevation']=aType(float)
将这些值中的大多数转换为浮点数,您的问题是值“30x”应该是什么?30x是一个意外设置为数字列的字符串的示例值。因为很难说实际值是什么样子,用户应该选择或修复它。如果有大量数据,并且如果某些不正确的格式意味着拒绝该数据,那么加载后处理它将非常低效。如果需要修改的比例很高,这也比在读取数据时在同一个单通道上调整数据的效率低得多。@EMS不确定我是否同意你使用“非常”和“很多”,我会给你“可能”。。。通常,使用更快的c引擎从csv读取数据要比使用较慢的python引擎(如果使用python函数,则必须使用较慢的python引擎)更快。我同意,如果坏数据的比例很高,而您想要拒绝它,那么一次完成就更节省空间。。。但这似乎是一个不寻常的案例tbh.Idk。想象一下,如果需要清理或预处理truefx中的.csv数据。每月有7亿行,即使是需要预处理的一小部分数据,也会让情况变得很糟糕,即使您一次只读取一个数据块的所有数据块。当然,当你达到这个规模时,你可能需要转移到一个合适的数据库,但仍然有人试图阅读这种东西。我想我更愿意使用Python中的文件生成器。但我同意你的观点,在很多情况下,通过“过度计算”来加载所有内容并没有那么有害。