Python 中 CSV 数据的数据类型识别/猜测

Question

我的问题是处理大型CSV文件中的数据。

我正在寻找最有效的方法来确定（即，猜测）基于该列中找到的值的列的数据类型。我可能正在处理非常混乱的数据。因此，该算法应该具有一定的容错性。

下面是一个例子：

arr1 = ['0.83', '-0.26', '-', '0.23', '11.23']               # ==> recognize as float
arr2 = ['1', '11', '-1345.67', '0', '22']                    # ==> regognize as int
arr3 = ['2/7/1985', 'Jul 03 1985, 00:00:00', '', '4/3/2011'] # ==> recognize as date
arr4 = ['Dog', 'Cat', '0.13', 'Mouse']                       # ==> recognize as str

一句话：我正在寻找一个python包或一个算法，它可以检测

• CSV文件的模式，甚至更好
• 单个列的数据类型 作为一个数组

Method for guessing type of data represented currently represented as strings朝着类似的方向发展。 不过，我担心性能，因为我可能要处理许多大型电子表格（数据来源于此）

Answer 1

您可能会对这个python库感兴趣，它正是为您对csv和XLS文件进行这种类型猜测的库：

• https://github.com/okfn/messytables
• https://messytables.readthedocs.org/-文档

它可以很高兴地扩展到非常大的文件，从互联网上传输数据等等

还有一个更简单的包装器库，它包含一个名为dataconverters的命令行工具：http://okfnlabs.org/dataconverters/（和一个在线服务：https://github.com/okfn/dataproxy！）

进行类型猜测的核心算法如下：https://github.com/okfn/messytables/blob/7e4f12abef257a4d70a8020e0d024df6fbb02976/messytables/types.py#L164