UnicodeDecodeError when reading CSV file in Pandas with Python
我正在运行一个处理30,000个类似文件的程序。 随机数量正在停止并产生此错误......
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 | File"C:\Importer\src\dfman\importer.py", line 26, in import_chr data = pd.read_csv(filepath, names=fields) File"C:\Python33\lib\site-packages\pandas\io\parsers.py", line 400, in parser_f return _read(filepath_or_buffer, kwds) File"C:\Python33\lib\site-packages\pandas\io\parsers.py", line 205, in _read return parser.read() File"C:\Python33\lib\site-packages\pandas\io\parsers.py", line 608, in read ret = self._engine.read(nrows) File"C:\Python33\lib\site-packages\pandas\io\parsers.py", line 1028, in read data = self._reader.read(nrows) File"parser.pyx", line 706, in pandas.parser.TextReader.read (pandas\parser.c:6745) File"parser.pyx", line 728, in pandas.parser.TextReader._read_low_memory (pandas\parser.c:6964) File"parser.pyx", line 804, in pandas.parser.TextReader._read_rows (pandas\parser.c:7780) File"parser.pyx", line 890, in pandas.parser.TextReader._convert_column_data (pandas\parser.c:8793) File"parser.pyx", line 950, in pandas.parser.TextReader._convert_tokens (pandas\parser.c:9484) File"parser.pyx", line 1026, in pandas.parser.TextReader._convert_with_dtype (pandas\parser.c:10642) File"parser.pyx", line 1046, in pandas.parser.TextReader._string_convert (pandas\parser.c:10853) File"parser.pyx", line 1278, in pandas.parser._string_box_utf8 (pandas\parser.c:15657) UnicodeDecodeError: 'utf-8' codec can't decode byte 0xda in position 6: invalid continuation byte |
这些文件的来源/创建都来自同一个地方。 什么是纠正此问题以进行导入的最佳方法?
您还可以使用几个
查看相关的Pandas文档,
关于csv文件的python docs示例,以及关于SO的大量相关问题。一个好的后台资源是每个开发人员应该了解的unicode和字符集。
要检测编码(假设文件包含非ascii字符),可以使用
最简单的解决方案:
- 在Sublime文本编辑器中打开csv文件。
- 以utf-8格式保存文件。
In sublime, Click File -> Save with encoding -> UTF-8
然后,您可以照常阅读您的文件:
1 2 | import pandas as pd data = pd.read_csv('file_name.csv', encoding='utf-8') |
编辑1:
如果有很多文件,那么您可以跳过sublime步骤。
只需阅读文件即可
1 | data = pd.read_csv('file_name.csv', encoding='utf-8') |
和其他不同的编码类型是:
1 2 | encoding ="cp1252" encoding ="ISO-8859-1" |
Pandas允许指定编码,但不允许忽略错误而不是自动替换有问题的字节。所以没有一种尺寸适合所有方法,但根据实际使用情况不同的方式。
您知道编码,并且文件中没有编码错误。
太棒了:你只需要指定编码:
1 2 | file_encoding = 'cp1252' # set file_encoding to the file encoding (utf8, latin1, etc.) pd.read_csv(input_file_and_path, ..., encoding=file_encoding) |
您不希望被编码问题困扰,只想加载该死的文件,无论某些文本字段是否包含垃圾。好的,您只需要使用
1 | pd.read_csv(input_file_and_path, ..., encoding='latin1') |
您知道大多数文件都是使用特定编码编写的,但它也包含编码错误。一个真实世界的例子是一个UTF8文件,该文件是用非utf8编辑器编辑的,其中包含一些具有不同编码的行。 Pandas没有提供特殊的错误处理,但是Python
1 2 3 | file_encoding = 'utf8' # set file_encoding to the file encoding (utf8, latin1, etc.) input_fd = open(input_file_and_path, encoding=file_encoding, errors = 'backslashreplace') pd.read_csv(input_fd, ...) |
1 2 | with open('filename.csv') as f: print(f) |
执行此代码后,您将找到'filename.csv'的编码,然后执行如下代码
1 | data=pd.read_csv('filename.csv', encoding="encoding as you found earlier" |
你去吧
尝试指定engine ='python'。
它对我有用,但我仍在试图找出原因。
1 | df = pd.read_csv(input_file_path,...engine='python') |
在我的例子中,根据Notepad ++,文件具有"USC-2 LE BOM"编码。
对于python,它是encoding ="utf_16_le"。
希望,有助于为某人找到更快的答案。
在我的情况下,这适用于python 2.7:
1 | data = read_csv(filename, encoding ="ISO-8859-1", dtype={'name_of_colum': unicode}, low_memory=False) |
而对于python 3,只有:
1 | data = read_csv(filename, encoding ="ISO-8859-1", low_memory=False) |
这个答案似乎是CSV编码问题的全部。如果你的标题有一个奇怪的编码问题,如下所示:
1 2 3 4 | >>> f = open(filename,"r") >>> reader = DictReader(f) >>> next(reader) OrderedDict([('\ufeffid', '1'), ... ]) |
然后在CSV文件的开头有一个字节顺序标记(BOM)字符。这个答案解决了这个问题:
Python读取csv - 嵌入第一个键的BOM
解决方案是使用
1 2 3 4 | >>> f = open(filename,"r", encoding="utf-8-sig") >>> reader = DictReader(f) >>> next(reader) OrderedDict([('id', '1'), ... ]) |
希望这有助于某人。
挣扎了一段时间,并认为我会发布这个问题,因为这是第一个搜索结果。将encoding ='iso-8859-1"标签添加到pandas read_csv不起作用,也没有任何其他编码,继续给出UnicodeDecodeError。
如果要将文件句柄传递给pd.read_csv(),则需要在文件上打开encoding =属性,而不是在read_csv中。事后看来很明显,但要追查是一个微妙的错误。
我正在使用Jupyter-notebook。 在我的情况下,它以错误的格式显示文件。 'encoding'选项不起作用。
所以我用utf-8格式保存csv,它的工作原理。
我发布了这个旧线程的更新。我找到了一个有效的解决方案,但需要打开每个文件。我在LibreOffice中打开了我的csv文件,选择了另存为>编辑过滤器设置。在下拉菜单中,我选择了UTF8编码。然后我将
希望这有助于某人。