Necesito crear un dataframe utilizando los datos almacenados en un archivo. Para eso quiero usar el método read_csv
. Sin embargo, el separador no es muy regular. Algunas columnas están separadas por tabulaciones ( \t
), otras están separadas por espacios. Además, algunas columnas pueden estar separadas por 2 o 3 o más espacios o incluso por una combinación de espacios y tabulaciones (por ejemplo, 3 espacios, dos tabs y luego 1 espacio).
¿Hay alguna manera de decirle a los pandas que traten estos archivos adecuadamente?
Por cierto, no tengo este problema si uso Python. Yo suelo:
for line in file(file_name): fld = line.split()
Y funciona perfecto. No importa si hay 2 o 3 espacios entre los campos. Incluso las combinaciones de espacios y tabs no causan ningún problema. ¿Pueden los pandas hacer lo mismo?
Desde la documentación , puede utilizar una expresión regular o delim_whitespace
:
>>> import pandas as pd >>> for line in open("whitespace.csv"): ... print repr(line) ... 'a\tb\tc 1 2\n' 'd\te\tf 3 4\n' >>> pd.read_csv("whitespace.csv", header=None, delimiter=r"\s+") 0 1 2 3 4 0 abc 1 2 1 def 3 4 >>> pd.read_csv("whitespace.csv", header=None, delim_whitespace=True) 0 1 2 3 4 0 abc 1 2 1 def 3 4
>>> pd.read_csv("whitespace.csv", header = None, sep = "\s+|\t+|\s+\t+|\t+\s+")
usaría cualquier combinación de cualquier número de espacios y tabs como el separador.
Podemos considerar que esto se ocupa de todas las combinaciones y de cero o más ocurrencias.
pd.read_csv("whitespace.csv", header = None, sep = "[ \t]*,[ \t]*")
Pandas tiene dos lectores csv, solo es flexible con respecto al espacio en blanco inicial redundante:
pd.read_csv("whitespace.csv", skipinitialspace=True)
mientras que uno no es
pd.DataFrame.from_csv("whitespace.csv")
Fuera de la caja, ninguno de los dos es flexible con respecto al espacio en blanco al final, vea las respuestas con expresiones regulares. Evite delim_whitespace, ya que también permite solo espacios (sin, o \ t) como separadores.