在熊猫中读取csv时忽略多个逗号

Question

我正在尝试读取名称以“site_%”开头的多个文件。例如，像 site_1、site_a 这样的文件名。 每个文件都有如下数据：

Login_id, Web
1,http://www.x1.com
2,http://www.x1.com,as.php

我的 pandas df 中需要两列：Login_id 和 Web。

当我尝试读取类似 2 的记录时遇到错误。

df_0 = pd.read_csv('site_1',sep='|')
df_0[['Login_id, Web','URL']] = df_0['Login_id, Web'].str.split(',',expand=True)

我面临以下错误： ValueError: 列的长度必须与键的长度相同。

请让我知道我在哪里犯了一些严重错误以及解决问题的任何好方法。谢谢

Answer 1

解决方案 1：将 split 与参数 n=1 和 expand=True 一起使用。

result= df['Login_id, Web'].str.split(',', n=1, expand=True)
result.columns= ['Login_id', 'Web']

这会产生一个包含两列的数据框，因此如果您的数据框中有更多列，则需要将其与原始数据框连接（这也适用于下一个方法）。

编辑解决方案 2：有一个更好的基于正则表达式的解决方案，它使用 pandas 函数：

result= df['Login_id, Web'].str.extract('^\s*(?P<Login_id>[^,]*),\s*(?P<URL>.*)', expand=True)

这会拆分字段并使用匹配组的名称来创建包含其内容的列。输出是：

  Login_id                       URL
0        1         http://www.x1.com
1        2  http://www.x1.com,as.php

解决方案 3：带有正则表达式的传统版本： 你可以做一些定制的事情，例如使用正则表达式：

import re
sp_re= re.compile('([^,]*),(.*)')

aux_series= df['Login_id, Web'].map(lambda val: sp_re.match(val).groups())
df['Login_id']= aux_series.str[0]
df['URL']= aux_series.str[1]

您的示例数据的结果是：

                Login_id, Web Login_id                       URL
0         1,http://www.x1.com        1         http://www.x1.com
1  2,http://www.x1.com,as.php        2  http://www.x1.com,as.php

现在您可以删除“Login_id, Web”列。