不一致的pandas read_csv dtype推断大型TSV文件中的大部分整数字符串列

Question

我有一个制表符分隔文件,其中一列应该被解释为一个字符串,但许多条目都是整数.使用小文件read_csv在看到一些非整数值后正确地将列解释为字符串,但是对于较大的文件,这不起作用:

import pandas as pd
df = pd.DataFrame({'a':['1']*100000 + ['X']*100000 + ['1']*100000, 'b':['b']*300000})
df.to_csv('test', sep='\t', index=False, na_rep='NA')
df2 = pd.read_csv('test', sep='\t')
print df2['a'].unique()
for a in df2['a'][262140:262150]:
    print repr(a)

输出:

['1' 'X' 1]
'1'
'1'
'1'
'1'
1
1
1
1
1
1

有趣的是262144是2的幂,所以我认为推理和转换发生在块中,但是正在跳过一些块.

我相当肯定这是一个错误,但是想要一个可能使用引用的解决办法,尽管为读写添加quoting = csv.QUOTE_NONNUMERIC并不能解决问题.理想情况下,我可以通过引用我的字符串数据来解决这个问题,并以某种方式迫使pandas不对引用的数据进行任何推断.

使用pandas 0.12.0

Answer 1

为避免让Pandas推断出您的数据类型,请提供以下converters参数read_csv:

converters:dict.可选的

用于转换某些列中的值的函数的字典.键可以是整数或列标签

对于您的文件,这将看起来像:

df2 = pd.read_csv('test', sep='\t', converters={'a':str})

我对文档的阅读是,您不需要为每列指定转换器.Pandas应继续推断未指定列的数据类型.

Answer 2

你在这里欺骗了read_csv解析器(公平地说,我不认为无论你扔什么都不能正常输出)......但是,它可能是一个错误!

正如@Steven指出你可以使用read_csv的converter参数:

df2 = pd.read_csv('test', sep='\t', converters={'a': str})

一个懒惰的解决方案就是在你读完文件后修补它:

In [11]: df2['a'] = df2['a'].astype('str')

# now they are equal
In [12]: pd.util.testing.assert_frame_equal(df, df2)

注意:如果您正在寻找存储DataFrame的解决方案,例如在会话之间,pickle和HDF5Store都是优秀的解决方案,不会受到这些类型的解析错误的影响(并且会快得多).请参阅:如何使用PANDAS,Python存储数据框