处理Python read_csv执行中的不良行

Question

我有一系列非常脏的CSV文件。你知道吗

它们看起来像这样：

,"File Inputs",,,,,,,,,,,"Email Category",,"Contact Info Category",
RecCtr,Attom_ID,PeopleID,"First Name","Last Name",AddressFullStreet,City,State,Zip," ","Individual Level Match"," ","Email Address"," ",Phone,"Phone Type"
1,19536969,80209511,ANTHONY1,MACCA1,"123 Main RD","Anytown",MA,12345
2,169874349,80707224,ANTHONY2,MACCA2,"123 Main RD","Anytown",MA,12345
3,1057347,81837554,ANTHONY3,MACCA3,"123 Main RD","Anytown",MA,12345
4,36946575,81869227,ANTHONY3,MACCA4,"123 Main RD","Anytown",MA,12345,,YES,,,,1234567890,Mobile

正如你在上面看到的，有16个元素。第1、2、3行不好，第4行好。你知道吗

我用这段代码试图阅读它们。你知道吗

df = pd.read_csv(file, skiprows=2, dtype=str, header=None)

df.columns = ['RecCtr', 'Attom_ID', 'PeopleID', 'First_Name', 'Last_Name', 'AddressFullStreet', 'City', 'State', 'Zip', 'blank1', 'Individual_Level_Match', 'blank2', 'Email_Address', 'blank3', 'Phone', 'Phone_Type'
]
df = df.replace({pd.np.nan: None})

我的问题是，我不知道如何告诉系统我有16个元素，任何不是16个元素的行都应该跳过。你知道吗

似乎代码中的第1行强制第1-3行变好，然后第4行变坏。你知道吗

如何指定有多少列才能将第1行作为坏行跳过。和其他人一起。你知道吗

谢谢

变化1：

headers = ['RecCtr', 'Attom_ID', 'PeopleID', 'First_Name', 'Last_Name', 'AddressFullStreet', 'City', 'State', 'Zip', 'blank1', 'Individual_Level_Match', 'blank2', 'Email_Address', 'blank3', 'Phone', 'Phone_Type']
df = pd.read_csv(file, skiprows=2, dtype=str, header=headers)

答复：

    raise ValueError("header must be integer or list of integers")
ValueError: header must be integer or list of integers

Answer 1

不幸的是，如果行的值太少而太多（error_bad_lines=False），则不能跳过行。
通过使用header=None，它将第一个未跳过的行作为正确的列数，这意味着第四行不好（列太多）。你知道吗

您可以从文件中读取列名，也可以将列名传递给read_csv()，例如

df = pd.read_csv(file, skiprows=1, dtype=str, header=0)

或：

cols = ['RecCtr', 'Attom_ID', 'PeopleID', 'First_Name', 'Last_Name', ...]
df = pd.read_csv(file, skiprows=2, dtype=str, names=cols)

它修复了正确的列数，然后它将无错误地分析1-4行，并用NaN填充1-3中缺少的列

如果知道最后一列（或任何其他列）应该有值，则可以删除该列中带有NaN的行：

df.dropna(subset=['Phone Type'])

或：

df[df['Phone Type'].notnull()]