排查 CSV 中的无效行

Question

我正在处理一个非常大的 CSV 文件（近 6 GB），而且它绝对充满了错误。例如，如果我有以下 csv 文件/表：

+------------+-------------+------------+
|     ID     |    Date     |   String   |
+------------+-------------+------------+
|  123456    |  09-20-2019 |   ABCDEFG  |
|  123abc456 |  10-30-2019 |   HIJKLMN  |
|  7891011   |  jdqhouehwf |   OPQRSTU  |
|  1010101   |  03-15-2018 |   8473737  |
|  4823.00   |  02-11-2015 |   VWXYZ    |
|  2348813.0 |  01-23-2016 |   BAZ      |
+------------+-------------+------------+

或：

"ID","Date","String"
123456,"09-20-2019","ABCDEFG"
123abc456,"10-30-2019","HIJKLMN"
7891011,"jdqhouehwf","OPQRSTU"
1010101,"03-15-2018",8473737
4823.00,"02-11-2015","VWXYZ"
"2348813.0","01-23-2016","BAZ"

我想要一个解决和修复文件的好方法。使用 pandas，我可以读取文件：

import pandas as pd

df = pd.read_csv(inputfile)

熊猫总是会抱怨： sys:1: DtypeWarning: Columns (0) have mixed types. Specify dtype option on import or set low_memory=False

所以我想清理每一列。但由于它是一个非常大的文件，我不能只打印我的整个表格以使用掩码输出并期望读取它。我想要一种简单的方法来获取一列并检查它是否符合类型。另外，如果可能的话，我想要一种删除坏行和/或将行转换为正确格式的方法。毕竟，我希望文件看起来像（不包括内联 cmets）：

"ID","Date","String"
123456,"09-20-2019","ABCDEFG"
#  123abc456,"10-30-2019","HIJKLMN" was deleted because the ID wasn't a number
#  7891011,"jdqhouehwf","OPQRSTU" was deleted because the data was not a date
1010101,"03-15-2018","8473737" # The last number could be converted to string
4823,"02-11-2015","VWXYZ" # The first number could be converted to integer
2348813,"01-23-2016","BAZ" # The ID number could be converted to int

Answer 1

def main():

    from pathlib import Path
    import csv
    import datetime as dt

    with Path("thing.csv").open("r") as file:
        for row in csv.DictReader(file):
            try:
                row["ID"] = int(float(row["ID"]))
                row["Date"] = dt.datetime.strptime(row["Date"], "%m-%d-%Y")
            except (KeyError, ValueError):
                continue
            print(*row.values())

    return 0


if __name__ == "__main__":
    import sys
    sys.exit(main())

Answer 2

正如您标记的 sed，这里有一个命令应该以一种非常有效和可移植的方式完成这项工作，但它有点不可读......

sed -n '1p;s/^"\{0,1\}\([0-9]\+\)\(\.[0-9]*\)\{0,1\}"\{0,1\}\(,"\(0[0-9]\|1[0-2]\)-\([0-2][0-9]\|3[01]\)-2[0-9]\{3\}",\)"\{0,1\}\([^"]*\)"\{0,1\}$/\1\3"\6"/p' file

它的作用是：

1. 打印标题，即第一行（1p），
2. 在所有行上尝试替换 (s) 命令并仅在替换成功时打印结果（因此仅当行与搜索模式匹配时）s/…/…/p。

关于替换模式\1\3"\6"，每个转义数字指的是对应的捕获组（\(…\)；请记住，根据开头的\( 标记出现的顺序为组分配一个编号）。具体来说：

1. \1 指的是前导数字（[0-9]\+），有或没有（\{0,1\}）以下三件事：

   • 领先的",
   • 尾随小数部分\.[0-9]*,
   • 和以下";

2. \3 指的是日期，包括" 周围（"\(0[0-9]\|1[0-2]\)-\([0-2][0-9]\|3[01]\)-2[0-9]\{3\}"，请注意，我在这个正则表达式中不准确，因为它也会匹配不存在的日期，比如2 月 31 日）；

3. "\6" 指的是（并将其放在" 之间）最后的字母数字字符串，对此我几乎没有做任何假设 ([^"]*)。

这应该更好地匹配日期（除了 2 月 29 日始终匹配，无论年份如何）：

sed -n '1p;s/^"\{0,1\}\([0-9]\+\)\(\.[0-9]*\)\{0,1\}"\{0,1\}\(,"\(\(0[0-9]\|1[0-2]\)-[0-2][0-9]\|\(0[469]\|11\)-30\|\(0[13578]\|1[02]\)-31\)-2[0-9]\{3\}",\)"\{0,1\}\([^"]*\)"\{0,1\}$/\1\3"\8"/p' file