读取excel文件时的熊猫数据框和字符编码

Question

我正在阅读一个包含多个数字和分类数据的 excel 文件。列 name_string 包含外语字符。 当我尝试查看 name_string 列的内容时，我得到了我想要的结果，但是外来字符（在 excel 电子表格中正确显示）以错误的编码显示。 这是我所拥有的：

import pandas as pd
df = pd.read_excel('MC_simulation.xlsx', 'DataSet', encoding='utf-8')
name_string = df.name_string.unique()
name_string.sort()
name_string

产生以下内容：

array([u'4th of July', u'911', u'Abab', u'Abass', u'Abcar', u'Abced',
       u'Ceded', u'Cedes', u'Cedfus', u'Ceding', u'Cedtim', u'Cedtol',
       u'Cedxer', u'Chevrolet Corvette', u'Chuck Norris',
       u'Cristina Fern\xe1ndez de Kirchner'], dtype=object)

在最后一行中，正确编码的名称应该是 Cristina Fernández de Kirchner。有人可以帮我解决这个问题吗？

Answer 1

实际上，数据被正确解析为unicode，而不是strs。 u 前缀表示对象为unicode。打印列表、元组或 NumPy 数组时，Python 会显示序列中项目的repr。因此，您看到的不是unicode 的印刷版，而是repr：

In [160]: repr(u'Cristina Fern\xe1ndez de Kirchner')
Out[160]: "u'Cristina Fern\\xe1ndez de Kirchner'"

In [156]: print(u'Cristina Fern\xe1ndez de Kirchner')
Cristina Fernández de Kirchner

The purpose of the repr 是为每个对象提供一个明确的字符串表示。由于不可见或不可打印的字符，unicode 的打印版本可能会模棱两可。

但是，如果您打印 DataFrame 或 Series，您将获得 unicode 的打印版本：

In [157]: df = pd.DataFrame({'foo':np.array([u'4th of July', u'911', u'Abab', u'Abass', u'Abcar', u'Abced',
       u'Ceded', u'Cedes', u'Cedfus', u'Ceding', u'Cedtim', u'Cedtol',
       u'Cedxer', u'Chevrolet Corvette', u'Chuck Norris',
       u'Cristina Fern\xe1ndez de Kirchner'], dtype=object)})
   .....:    .....:    .....: 
In [158]: df
Out[158]: 
                               foo
0                      4th of July
1                              911
2                             Abab
3                            Abass
4                            Abcar
5                            Abced
6                            Ceded
7                            Cedes
8                           Cedfus
9                           Ceding
10                          Cedtim
11                          Cedtol
12                          Cedxer
13              Chevrolet Corvette
14                    Chuck Norris
15  Cristina Fernández de Kirchner

[16 rows x 1 columns]