使用Python读取Pandas中的CSV文件时出现UnicodeDecodeError
我正在运行一个程序,它正在处理30000个类似的文件。它们中的随机数正在停止并产生此错误使用Python读取Pandas中的CSV文件时出现UnicodeDecodeError,python,pandas,csv,dataframe,unicode,Python,Pandas,Csv,Dataframe,Unicode,我正在运行一个程序,它正在处理30000个类似的文件。它们中的随机数正在停止并产生此错误 File "C:\Importer\src\dfman\importer.py", line 26, in import_chr data = pd.read_csv(filepath, names=fields) File "C:\Python33\lib\site-packages\pandas\io\parsers.py", line 400, in
File "C:\Importer\src\dfman\importer.py", line 26, in import_chr
data = pd.read_csv(filepath, names=fields)
File "C:\Python33\lib\site-packages\pandas\io\parsers.py", line 400, in parser_f
return _read(filepath_or_buffer, kwds)
File "C:\Python33\lib\site-packages\pandas\io\parsers.py", line 205, in _read
return parser.read()
File "C:\Python33\lib\site-packages\pandas\io\parsers.py", line 608, in read
ret = self._engine.read(nrows)
File "C:\Python33\lib\site-packages\pandas\io\parsers.py", line 1028, in read
data = self._reader.read(nrows)
File "parser.pyx", line 706, in pandas.parser.TextReader.read (pandas\parser.c:6745)
File "parser.pyx", line 728, in pandas.parser.TextReader._read_low_memory (pandas\parser.c:6964)
File "parser.pyx", line 804, in pandas.parser.TextReader._read_rows (pandas\parser.c:7780)
File "parser.pyx", line 890, in pandas.parser.TextReader._convert_column_data (pandas\parser.c:8793)
File "parser.pyx", line 950, in pandas.parser.TextReader._convert_tokens (pandas\parser.c:9484)
File "parser.pyx", line 1026, in pandas.parser.TextReader._convert_with_dtype (pandas\parser.c:10642)
File "parser.pyx", line 1046, in pandas.parser.TextReader._string_convert (pandas\parser.c:10853)
File "parser.pyx", line 1278, in pandas.parser._string_box_utf8 (pandas\parser.c:15657)
UnicodeDecodeError: 'utf-8' codec can't decode byte 0xda in position 6: invalid continuation byte
这些文件的来源/创建都来自同一个地方。更正此问题的最佳方法是什么来继续导入?
read\u csv
使用编码
选项来处理不同格式的文件。我通常使用read\u csv('file',encoding=“ISO-8859-1”)
,或者使用encoding=“utf-8”
进行读取,通常使用utf-8
进行到\u csv
您还可以使用几个别名
选项中的一个,如'latin'
,而不是'ISO-8859-1'
(另请参阅,了解您可能遇到的许多其他编码)
看,,
,还有很多相关的问题。一个好的背景资源是
要检测编码(假设文件包含非ascii字符),可以使用
enca
(请参阅)或file-i
(linux)或file-i
(请参阅) 最简单的解决方案:
import pandas as pd
df = pd.read_csv('file_name.csv', engine='python')
替代解决方案:
- 在升华文本编辑器或VS代码中打开csv文件
- 以utf-8格式保存文件
import pandas as pd
data = pd.read_csv('file_name.csv', encoding='utf-8')
其他不同的编码类型有:
encoding = "cp1252"
encoding = "ISO-8859-1"
为此挣扎了一会儿,我想我会发布这个问题,因为这是第一个搜索结果。将
encoding=“iso-8859-1”
标记添加到pandasread\u csv
中不起作用,任何其他编码也不起作用,导致出现UnicodeDecodeError
如果要将文件句柄传递给
pd.read\u csv(),
则需要将encoding
属性放在打开的文件上,而不是放在read\u csv
中。事后看来很明显,但有一个细微的错误需要追踪。熊猫允许指定编码,但不允许忽略错误而不自动替换有问题的字节。因此,没有一种适合所有人的方法,而是根据实际用例的不同方法
file_encoding = 'cp1252' # set file_encoding to the file encoding (utf8, latin1, etc.)
pd.read_csv(input_file_and_path, ..., encoding=file_encoding)
Latin1
编码,因为它接受任何可能的字节作为输入(并将其转换为相同代码的unicode字符):
open
函数有(假设是Python3),并且read\u csv
接受类似文件的对象。这里要使用的典型错误参数是'ignore'
,它只会抑制有问题的字节,或者(IMHO更好)'backslashplace'
,它用Python的反斜杠转义序列替换有问题的字节:
file_encoding = 'utf8' # set file_encoding to the file encoding (utf8, latin1, etc.)
input_fd = open(input_file_and_path, encoding=file_encoding, errors = 'backslashreplace')
pd.read_csv(input_fd, ...)
data=pd.read_csv('filename.csv', encoding="encoding as you found earlier"
好了这个答案似乎是CSV编码问题的全部答案。如果您的头出现如下奇怪的编码问题:
>>> f = open(filename,"r")
>>> reader = DictReader(f)
>>> next(reader)
OrderedDict([('\ufeffid', '1'), ... ])
然后在CSV文件的开头有一个字节顺序标记(BOM)字符。这个答案解决了这个问题:
解决方案是使用encoding=“utf-8-sig”
加载CSV:
希望这对某人有所帮助。在我的例子中,根据Notepad++,文件具有
USC-2 LE BOM
编码。
它是python的encoding=“utf_16_le”
希望,这有助于更快地为某人找到答案。我正在发布此旧线程的更新。我找到了一个可行的解决方案,但需要打开每个文件。我在LibreOffice中打开了我的csv文件,选择了“另存为”>“编辑过滤器设置”。在下拉菜单中,我选择了UTF8编码。然后我将
encoding=“utf-8-sig”
添加到data=pd.read\u csv(r'C:\fullpathtofile\filename.csv',sep=',encoding=“utf-8-sig”)
希望这对其他人有所帮助。尝试指定引擎class='python'。 这对我来说很有效,但我仍在试图找出原因
df = pd.read_csv(input_file_path,...engine='python')
我用的是Jupyter笔记本。在我的例子中,它以错误的格式显示文件。“编码”选项不起作用。
因此,我将csv保存为utf-8格式,它可以正常工作。在我的例子中,这适用于python 2.7:
data = read_csv(filename, encoding = "ISO-8859-1", dtype={'name_of_colum': unicode}, low_memory=False)
对于python 3,仅:
data = read_csv(filename, encoding = "ISO-8859-1", low_memory=False)
试试这个:
import pandas as pd
with open('filename.csv') as f:
data = pd.read_csv(f)
看起来它会处理编码,而不会通过参数显式表示它在传递给pandas之前检查编码。这会让你慢下来,但是
with open(path, 'r') as f:
encoding = f.encoding
df = pd.read_csv(path,sep=sep, encoding=encoding)
在Python3.7中,我发布了一个答案,以提供更新的解决方案,并解释为什么会出现此问题。假设您从数据库或Excel工作簿获取此数据。如果您有特殊字符,如
La Cañada Flintridge city
,那么除非您使用UTF-8
编码导出数据,否则将引入错误La Cañada Flintridge city
将成为La Ca\xf1 ada Flintridge city
。如果您使用的是pandas.read_csv而未对默认参数进行任何调整,则会出现以下错误
UnicodeDecodeError: 'utf-8' codec can't decode byte 0xf1 in position 5: invalid continuation byte
幸运的是,有一些解决方案
选项1,修复导出。确保使用UTF-8
编码
选项2,如果无法解决导出问题,您需要使用pandas.read_csv
,请确保包含以下参数,engine='python'
。默认情况下,熊猫使用engine='C'
whic
import pandas as pd
with open('filename.csv') as f:
data = pd.read_csv(f)
with open(path, 'r') as f:
encoding = f.encoding
df = pd.read_csv(path,sep=sep, encoding=encoding)
UnicodeDecodeError: 'utf-8' codec can't decode byte 0xf1 in position 5: invalid continuation byte
pd.read_csv(<your file>, engine='python')
import pandas as pd
data = []
with open(<your file>, "rb") as myfile:
# read the header seperately
# decode it as 'utf-8', remove any special characters, and split it on the comma (or deliminator)
header = myfile.readline().decode('utf-8').replace('\r\n', '').split(',')
# read the rest of the data
for line in myfile:
row = line.decode('utf-8', errors='ignore').replace('\r\n', '').split(',')
data.append(row)
# save the data as a dataframe
df = pd.DataFrame(data=data, columns = header)
_values = pd.read_csv("C:\Users\Mujeeb\Desktop\file.xlxs")
encoding='unicode_escape'
import csv
import pandas as pd
df = pd.read_csv(filepath,encoding='unicode_escape')
0. Open the xls/csv file
1. Go to -> files
2. Click -> Save As
3. Write the file name
4. Choose 'file type' as -> CSV [very important]
5. Click -> Ok
import pandas as pd
encoding_list = ['ascii', 'big5', 'big5hkscs', 'cp037', 'cp273', 'cp424', 'cp437', 'cp500', 'cp720', 'cp737'
, 'cp775', 'cp850', 'cp852', 'cp855', 'cp856', 'cp857', 'cp858', 'cp860', 'cp861', 'cp862'
, 'cp863', 'cp864', 'cp865', 'cp866', 'cp869', 'cp874', 'cp875', 'cp932', 'cp949', 'cp950'
, 'cp1006', 'cp1026', 'cp1125', 'cp1140', 'cp1250', 'cp1251', 'cp1252', 'cp1253', 'cp1254'
, 'cp1255', 'cp1256', 'cp1257', 'cp1258', 'euc_jp', 'euc_jis_2004', 'euc_jisx0213', 'euc_kr'
, 'gb2312', 'gbk', 'gb18030', 'hz', 'iso2022_jp', 'iso2022_jp_1', 'iso2022_jp_2'
, 'iso2022_jp_2004', 'iso2022_jp_3', 'iso2022_jp_ext', 'iso2022_kr', 'latin_1', 'iso8859_2'
, 'iso8859_3', 'iso8859_4', 'iso8859_5', 'iso8859_6', 'iso8859_7', 'iso8859_8', 'iso8859_9'
, 'iso8859_10', 'iso8859_11', 'iso8859_13', 'iso8859_14', 'iso8859_15', 'iso8859_16', 'johab'
, 'koi8_r', 'koi8_t', 'koi8_u', 'kz1048', 'mac_cyrillic', 'mac_greek', 'mac_iceland', 'mac_latin2'
, 'mac_roman', 'mac_turkish', 'ptcp154', 'shift_jis', 'shift_jis_2004', 'shift_jisx0213', 'utf_32'
, 'utf_32_be', 'utf_32_le', 'utf_16', 'utf_16_be', 'utf_16_le', 'utf_7', 'utf_8', 'utf_8_sig']
for encoding in encoding_list:
worked = True
try:
df = pd.read_csv(path, encoding=encoding, nrows=5)
except:
worked = False
if worked:
print(encoding, ':\n', df.head())