读取列之间带有换行符的csv文件

Question

我已经用分号pandas来读取和解析csv文件。有些文件（由于未知原因）在某些列后面有一个'\r\n'序列，这使得pandas.read_csv将它们拆分为不同的行。我想对这些字符进行转义，并将“第二行”附加到“第一行”上，否则之后解析就会变得困难。你知道吗

我可以识别这些行，因为它们后面是数字，而正确的第一列包含时间，如00:00:00。有没有可能用pandas.read_csv做到这一点？你知道吗

---

示例

如果文件正确，我的代码如下所示：

data = io.StringIO( ''' a; b; c; d 
                    x10; 20; 30; 40
                    x11; 21; 31; 41
                    x12; 22; 32; 42
                    x13; 23; 33; 43
                    x14; 24; 34; 44
                    x15; 25; 35; 45
                 ''' )

pd.read_csv( data, sep=';' )

输出：

    a   b   c   d
0   10  20  30  40
1   11  21  31  41
2   12  22  32  42
3   13  23  33  43
4   14  24  34  44
5   15  25  35  45

问题

对于一个损坏的文件，它看起来是这样的：

data = io.StringIO( ''' a; b; c; d 
                        x10; 20; 30; 40
                        x11; 21; 31; 41
                        x12; 22; 
                        32; 42
                        x13; 23; 33; 43
                        x14; 24; 34; 44
                        x15; 25; 35; 45
                     ''' )

pd.read_csv( data, sep=';' )

输出：

    a   b   c   d
0   x10     20  30  40.0
1   x11     21  31  41.0
2   x12     22      NaN
3   32  42  NaN     NaN
4   x13     23  33  43.0
5   x14     24  34  44.0
6   x15     25  35  45.0

然而，在这两种情况下，预期产出都是第一位的。在这个例子中，我想用\d\d替换\r\n\d\d，以便在pandas中构建数据帧之前/期间除去那些换行符。你知道吗

如果可能的话，我希望避免先修复文件，避免在与pandas一起阅读之前制作一个额外的脚本来检查所有文件，因为有新文件定期出现。你知道吗

---

在pandas中读取csv文件时，是否可以替换字符串的一部分？你知道吗

这类问题还有别的解决办法吗？你知道吗

---

使用python 3.6.8、0.24.2

Answer 1

这是大型csv经常发生的事情。我解决这个问题的方法是使用python读取它们，并检查分隔符的数量是否与您期望的匹配，否则就删除该行。一旦原始数据被纠正，您就可以使用StringIO将其加载到pandas中。一个例子胜过你的错误例子：

# We load the file
filestream = open(filepath)

# Now we filter the data as follows
data = filter(lambda l: l.count(";")==3, filestream)

# Now we convert to String IO
stream = io.StringIO("\n".join(data))

# And finally we read with Pandas
pd.read_csv(stream, sep=';' )

Answer 2

我从ivallesp's answer得到了零件，并想出了一个解决方案来保持虚线。你知道吗

我把它贴在这里作为未来我的文档（他们经常会忘记这些事情）以及其他可能遇到类似问题的人的文档。你知道吗

---

坏文件，有断线

infile = io.StringIO( ''' a; b; c; d 
                        x10; 20; 30; 40
                        x11; 21; 31; 41
                        x12; 22; 
                        32; 42
                        x13; 23; 33; 43
                        x14; 24; 34; 44
                        x15; 25; 35; 45
                     ''' )

# The lines are joined with a \n, and whitespace stripped
data = '\n'.join( [ item.strip() for item in infile ] )
# Now data is not a file stream, but a string, with \n s in between

#Search for occurrences of newline + NOT(x + number) and just keep
# found group 
data = re.sub( '\n(?!x\d\d)', '\1', data )

# Now data is a file stream again
data = io.StringIO( data )

# Fed to pandas.read_csv
pd.read_csv( data, sep=';' )

---

变化

对于磁盘中的实际文件（不是io.StringIO），我不得不做一个小的修改，删除.strip()，不知道为什么。除此之外，它还可以无连接（''.join(...)）。你知道吗

最后，我的实际文件在第一列中有时间，形式是00:00、00:05等等。所以我实际上是这样用的：

import re

with open( 'broken_rows_file.csv', 'r' ) as infile:
    data = ''.join( [ item for item in infile ] )

#All that is NOT ##:## should be replaced
data = re.sub( '\n(?!\d\d:\d\d)', '\1', data ) 
data = io.StringIO( data )

df = pd.read_csv( data, sep=';' )
df

       a    b   c   d
0   00:10   20  30  40
1   00:11   21  31  41
2   00:12   22  32  42
3   00:13   23  33  43
4   00:14   24  34  44
5   00:15   25  35  45