Tar.gzファイル内に圧縮された以下のデータを含む非常に単純なcsvがあります。 pandas.read_csvを使用してデータフレームでそれを読む必要があります。
A B
0 1 4
1 2 5
2 3 6
import pandas as pd
pd.read_csv("sample.tar.gz",compression='gzip')
ただし、エラーが発生しています:
CParserError: Error tokenizing data. C error: Expected 1 fields in line 440, saw 2
Read_csvコマンドのセットと、それらで発生するさまざまなエラーを次に示します。
pd.read_csv("sample.tar.gz",compression='gzip', engine='python')
Error: line contains NULL byte
pd.read_csv("sample.tar.gz",compression='gzip', header=0)
CParserError: Error tokenizing data. C error: Expected 1 fields in line 440, saw 2
pd.read_csv("sample.tar.gz",compression='gzip', header=0, sep=" ")
CParserError: Error tokenizing data. C error: Expected 2 fields in line 94, saw 14
pd.read_csv("sample.tar.gz",compression='gzip', header=0, sep=" ", engine='python')
Error: line contains NULL byte
ここで何が問題になっていますか?どうすれば修正できますか?
df = pd.read_csv('sample.tar.gz', compression='gzip', header=0, sep=' ', quotechar='"', error_bad_lines=False)
注意: error_bad_lines=False
は、問題のある行を無視します。
tarfile
module を使用して、tar.gzアーカイブから特定のファイルを読み取ることができます( この解決された問題 で説明されています)。アーカイブにファイルが1つしかない場合は、次を実行できます。
_import tarfile
import pandas as pd
with tarfile.open("sample.tar.gz", "r:*") as tar:
csv_path = tar.getnames()[0]
df = pd.read_csv(tar.extractfile(csv_path), header=0, sep=" ")
_
読み取りモード_r:*
_は、gz拡張(または他の種類の圧縮)を適切に処理します。 zip圧縮されたtarファイルに複数のファイルがある場合は、csv_path = list(n for n in tar.getnames() if n.endswith('.csv'))[-1]
行などの操作を実行して、アーカイブフォルダー内の最後のcsvファイルを取得できます。