在 python read_csv 执行中处理坏行

Question

我有一系列非常脏的 CSV 文件。

它们看起来像这样：

,"File Inputs",,,,,,,,,,,"Email Category",,"Contact Info Category",
RecCtr,Attom_ID,PeopleID,"First Name","Last Name",AddressFullStreet,City,State,Zip," ","Individual Level Match"," ","Email Address"," ",Phone,"Phone Type"
1,19536969,80209511,ANTHONY1,MACCA1,"123 Main RD","Anytown",MA,12345
2,169874349,80707224,ANTHONY2,MACCA2,"123 Main RD","Anytown",MA,12345
3,1057347,81837554,ANTHONY3,MACCA3,"123 Main RD","Anytown",MA,12345
4,36946575,81869227,ANTHONY3,MACCA4,"123 Main RD","Anytown",MA,12345,,YES,,,,1234567890,Mobile

正如你在上面看到的，有 16 个元素。第 1、2、3 行是坏的，第 4 行是好的。

我正在使用这段代码试图阅读它们。

df = pd.read_csv(file, skiprows=2, dtype=str, header=None)

df.columns = ['RecCtr', 'Attom_ID', 'PeopleID', 'First_Name', 'Last_Name', 'AddressFullStreet', 'City', 'State', 'Zip', 'blank1', 'Individual_Level_Match', 'blank2', 'Email_Address', 'blank3', 'Phone', 'Phone_Type'
]
df = df.replace({pd.np.nan: None})

我的问题是我不知道如何告诉系统我有 16 个元素，并且应该跳过不是 16 个元素的任何行。

看来我的代码中的第 1 行强制第 1-3 行变好，然后第 4 行变坏。

我如何指定有多少列才能将第 1 行作为错误跳过。和其他人一起。

谢谢

改变1：

headers = ['RecCtr', 'Attom_ID', 'PeopleID', 'First_Name', 'Last_Name', 'AddressFullStreet', 'City', 'State', 'Zip', 'blank1', 'Individual_Level_Match', 'blank2', 'Email_Address', 'blank3', 'Phone', 'Phone_Type']
df = pd.read_csv(file, skiprows=2, dtype=str, header=headers)

回复：

    raise ValueError("header must be integer or list of integers")
ValueError: header must be integer or list of integers

Answer 1

不幸的是，如果行的值太少或太多 ( )，则无法跳过它们error_bad_lines=False。
通过使用header=None它，将第一个未跳过的行作为正确的列数，这意味着第 4 行不好（列太多）。

您可以从文件中读取列名或将列名传递给read_csv()，例如

df = pd.read_csv(file, skiprows=1, dtype=str, header=0)

或者：

cols = ['RecCtr', 'Attom_ID', 'PeopleID', 'First_Name', 'Last_Name', ...]
df = pd.read_csv(file, skiprows=2, dtype=str, names=cols)

它修复了正确的列数，然后它会1-4毫无错误地解析行并1-3用NaNs 填充缺失的列。

如果您知道最后一列（或任何其他列）应该有值，那么您可以删除NaN该列中的行：

df.dropna(subset=['Phone Type'])

或者：

df[df['Phone Type'].notnull()]