Pandas read_csv dtype前导零

Question

所以我正在阅读NOAA的电台代码csv文件,如下所示:

"USAF","WBAN","STATION NAME","CTRY","FIPS","STATE","CALL","LAT","LON","ELEV(.1M)","BEGIN","END"
"006852","99999","SENT","SW","SZ","","","+46817","+010350","+14200","",""
"007005","99999","CWOS 07005","","","","","-99999","-999999","-99999","20120127","20120127"

前两列包含气象站的代码,有时它们有前导零.当pandas在没有指定dtype的情况下导入它们时,它们会变成整数.这并不是什么大不了的事,因为我可以遍历数据框索引并用类似的东西替换它们,"%06d" % i因为它们总是六位数,但是你知道......这就是懒人的方式.

使用以下代码获取csv:

file = urllib.urlopen(r"ftp://ftp.ncdc.noaa.gov/pub/data/inventories/ISH-HISTORY.CSV")
output = open('Station Codes.csv','wb')
output.write(file.read())
output.close()

这一切都很好,但当我去尝试阅读它使用这个:

import pandas as pd
df = pd.io.parsers.read_csv("Station Codes.csv",dtype={'USAF': np.str, 'WBAN': np.str})

要么

import pandas as pd
df = pd.io.parsers.read_csv("Station Codes.csv",dtype={'USAF': str, 'WBAN': str})

我收到一条令人讨厌的错误消息:

File "C:\Python27\lib\site-packages\pandas-0.11.0-py2.7-win32.egg\pandas\io\parsers.py", line 401, in parser
_f
    return _read(filepath_or_buffer, kwds)
  File "C:\Python27\lib\site-packages\pandas-0.11.0-py2.7-win32.egg\pandas\io\parsers.py", line 216, in _read
    return parser.read()
  File "C:\Python27\lib\site-packages\pandas-0.11.0-py2.7-win32.egg\pandas\io\parsers.py", line 633, in read
    ret = self._engine.read(nrows)
  File "C:\Python27\lib\site-packages\pandas-0.11.0-py2.7-win32.egg\pandas\io\parsers.py", line 957, in read
    data = self._reader.read(nrows)
  File "parser.pyx", line 654, in pandas._parser.TextReader.read (pandas\src\parser.c:5931)
  File "parser.pyx", line 676, in pandas._parser.TextReader._read_low_memory (pandas\src\parser.c:6148)
  File "parser.pyx", line 752, in pandas._parser.TextReader._read_rows (pandas\src\parser.c:6962)
  File "parser.pyx", line 837, in pandas._parser.TextReader._convert_column_data (pandas\src\parser.c:7898)
  File "parser.pyx", line 887, in pandas._parser.TextReader._convert_tokens (pandas\src\parser.c:8483)
  File "parser.pyx", line 953, in pandas._parser.TextReader._convert_with_dtype (pandas\src\parser.c:9535)
  File "parser.pyx", line 1283, in pandas._parser._to_fw_string (pandas\src\parser.c:14616)
TypeError: data type not understood

这是一个非常大的csv(31k行)所以也许这与它有关？

Answer 1

在解析带有序列号的文件时,这个问题引起了各种各样的麻烦.由于未知原因,00794和000794是两个不同的序列号.我最终想出来了

converters={'serial_number': lambda x: str(x)}

Answer 2

这是pandas dtype猜测的问题.

熊猫看到数字和猜测,你希望它是数字.

为了让大熊猫不要怀疑你的意图,你应该设置你想要的dtype: object

pd.read_csv('filename.csv', dtype={'leading_zero_column_name': object})

会做的伎俩

Answer 3

如果您不希望字符串成为对象，则似乎必须指定字符串的长度。
例如：

dtype={'USAF': '|S6'}

我找不到这方面的参考资料，但我似乎记得韦斯讨论过这个问题（也许在一次演讲中）。他建议 numpy 不允许“适当的”可变长度字符串（请参阅此问题/答案），并且使用最大长度来填充数组通常会导致令人难以置信的空间效率低下（即使字符串很短，它也会使用与最长字符串一样多的空间）。

正如@Wes 指出的，这也是一种情况：

dtype={'USAF': object}

同样有效。