python读取数据编码问题处理
在使用python进行文本分析时，很多时候数据来源的环境比较复杂，比如来自爬虫数据，那么就可能包含各种意外的字符。在获取了数据后，在文本分析之前的数据清洗时，最经常碰到的一个问题时，打开数据时的数据编码不对的情况。
在实践中，一般会尝试各种不同编码方式来尝试读取数据，比如，我们最常见的utf-8格式等，如果不行的话，那么可以采取自动判断该数据的编码格式，如果还是不行，一个可行的方式是跳过该行数据，继续后续的数据读取。
这个过程其实非常简单：
导入python必要的模块
import concurrent.futures
import pandas as pd
import re
import numpy as np
import os
import chardet- concurrent.futures: 用于创建线程池，实现并行处理数据。
- pandas: 提供数据处理和分析的功能。
- re: 正则表达式库，用于文本处理。
- numpy: 提供数值计算功能。
- os: 用于处理文件路径和文件名。
- chardet: 用于检测文件编码。
几个功能函数
clean_cell
def clean_cell(cell):
try:
return re.sub(r'[^\u4e00-\u9fa5a-zA-Z0-9]', '', str(cell))
except Exception as e:
print(f"Error in clean_cell: {e}")
return np.nan这个函数用于清理数据单元格，保留中文字符、英文字符和数字，其他字符将被移除。
read_file
def read_file(file_path, encoding):
_, file_extension = os.path.splitext(file_path)
if file_extension in ['.csv', '.txt']:
return pd.read_csv(file_path, encoding=encoding, on_bad_lines='skip')
elif file_extension == '.xlsx':
return pd.read_excel(file_path)
elif file_extension == '.json':
return pd.read_json(file_path)
else:
raise ValueError(f"Unsupported file format: {file_extension}")根据文件扩展名（如 .csv, .xlsx, .json）来决定使用哪种方法读取文件。
process_dataframe
def process_dataframe(file_path):
# 定义预设的编码格式列表
encodings = ['utf-8', 'latin-1', 'ISO-8859-1', 'cp1252', 'gbk', 'ascii']
# 尝试预设的编码格式
for encoding in encodings:
try:
df = pd.read_csv(file_path, encoding=encoding, on_bad_lines='skip')
break
except UnicodeDecodeError:
continue
else:
# 如果预设的编码格式都不适用，尝试自动检测编码
try:
detected_encoding = chardet.detect(open(file_path, 'rb').read())['encoding']
df = pd.read_csv(file_path, encoding=detected_encoding, on_bad_lines='skip')
except Exception as e:
print(f"无法确定文件编码方式或读取文件失败: {e}")
return None # 或者使用其他方式处理这种情况
# 清洗数据
with concurrent.futures.ThreadPoolExecutor() as executor:
for column in df.columns:
cleaned_column = list(executor.map(clean_cell, df[column]))
df[column] = cleaned_column
return df此函数首先检测文件编码，然后读取文件内容到 DataFrame，最后清洗每一列的数据。
主执行过程
file_path = '/path/to/GSZC_Raw.csv' # 替换为你自己的数据路径
try:
cleaned_df = process_dataframe(file_path)
cleaned_file_path = file_path.replace('.csv', '_cleaned.csv')
cleaned_df.to_csv(cleaned_file_path, index=False)
except Exception as e:
print(f"Error in main execution: {e}")经过以上的过程，一般会解决大部分的数据编码错误问题。如果在实践中尝试了以上方法后还是会报错数据编码错误，那么建议逐行读取数据，但这样通常会很慢，如果数据量不是很大的时候，可以采用这种方式，然后利用计算机多线程，提高处理数据的速度。
如果数据量很大，而出现编码错误的部分很少，那么直接舍弃，可能是更好的选择。
