doppelt zitierte Elemente in CSV kann nicht mit Pandas lesen

Question

Ich habe eine Eingabedatei, in der jeder Wert als Zeichenfolge gespeichert ist. Es befindet sich in einer CSV-Datei mit jedem Eintrag in Anführungszeichen.

Beispieldatei:

"column1","column2", "column3", "column4", "column5", "column6" 
"AM", "07", "1", "SD", "SD", "CR" 
"AM", "08", "1,2,3", "PR,SD,SD", "PR,SD,SD", "PR,SD,SD" 
"AM", "01", "2", "SD", "SD", "SD" 

Es gibt nur sechs Spalten. Welche Optionen muss ich in pandas read_csv eingeben, um das richtig zu lesen?

Ich bin derzeit versucht:

import pandas as pd 
df = pd.read_csv(file, quotechar='"') 

aber das gibt mir die Fehlermeldung:. CParserError: Error tokenizing data. C error: Expected 6 fields in line 3, saw 14

was offensichtlich bedeutet, dass es die ‚"‘ignoriert und jedes Komma als Feld Parsen Für Zeile 3 sollten die Spalten 3 bis 6 jedoch Strings mit Kommas sein ("1,2,3", "PR, SD, SD", "PR, SD, SD", "PR, SD, SD").)

Wie bekomme ich pandas.read_csv, um dies richtig zu analysieren ?

Danke.

Answer 1

Dies wird funktionieren. Es greift auf den Python-Parser zurück (da Sie nicht reguläre Trennzeichen haben, z. B. Komma und manchmal Leerzeichen). Wenn Sie nur Kommas haben, würde es den c-Parser verwenden und viel schneller sein.

In [1]: import csv 

In [2]: !cat test.csv 
"column1","column2", "column3", "column4", "column5", "column6" 
"AM", "07", "1", "SD", "SD", "CR" 
"AM", "08", "1,2,3", "PR,SD,SD", "PR,SD,SD", "PR,SD,SD" 
"AM", "01", "2", "SD", "SD", "SD" 

In [3]: pd.read_csv('test.csv',sep=',\s+',quoting=csv.QUOTE_ALL) 
pandas/io/parsers.py:637: ParserWarning: Falling back to the 'python' engine because the 'c' engine does not support regex separators; you can avoid this warning by specifying engine='python'. 
    ParserWarning) 
Out[3]: 
    "column1","column2" "column3" "column4" "column5" "column6" 
"AM"    "07"  "1"  "SD"  "SD"  "CR" 
"AM"    "08" "1,2,3" "PR,SD,SD" "PR,SD,SD" "PR,SD,SD" 
"AM"    "01"  "2"  "SD"  "SD"  "SD"