Python Pandas CSV 导入/Unicode 问题

Question

我正在处理留言板帖子（包含在CSV 文件中），在训练分类模型之前尝试清理数据/等。

事情进展顺利，直到我得到：

TypeError: 'float' 对象不可迭代

响应行：

letters_only = ''.join([i for i in textToProcess if not i.isdigit()])

textToProcess 来自(train["text"][i])。

所以...当我想通过调用来检查我的数据时：

print train.isnull().sum()
print test.isnull().sum()

我得到以下输出：

id          0
category    0
title       0
text        1
train       26
dtype:      int64
id          5512
category    5512
title       5512
text        5512
train       5512
dtype: int64

问题：所以我认为这意味着在测试集中，每列有 5512 个空值？

这很奇怪，因为在此之前，导入等的行为在大多数情况下似乎都符合预期。例如，调用例如train["text"][0] 产生了预期的输出（即文本）。

如果有帮助，我原来的 read_csv 导入调用看起来像：

train = pd.read_csv(full_train_filename, header=0, encoding = 'utf-8')

test = pd.read_csv(full_test_filename, header=0, encoding = 'utf-8')`

我不确定这里有一个直接的问题，但我希望有人看到我做错了什么。

任何想法将不胜感激。

Answer 1

我认为您需要检查DataFrame 中的NaN 值，该值是从csv 创建的。您可以将isnull 与any 和boolean indexing 一起使用：

test[test.isnull().any(1)]

示例：

import pandas as pd
import numpy as np

test = pd.DataFrame({'a': {0: 'r', 1: 'r', 2: 't', 3: 'y'}, 
                     'b': {0: 'a', 1: 'a', 2: 's', 3: 'g'}, 
                     'c': {0: 7.0, 1: 5.0, 2: np.nan, 3: 4.0}})
print (test)
   a  b    c
0  r  a  7.0
1  r  a  5.0
2  t  s  NaN
3  y  g  4.0

print (test[test.isnull().any(1)])
   a  b   c
2  t  s NaN

然后您可以使用一些文本编辑器，例如Notepad++ 并检查这些有问题的行。