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)，尝试在训练分类模型之前清理数据等。

事情进展顺利，直到我得到:

TypeError: 'float' object is not iterable

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()

我得到了以下输出:

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:所以我的意思是在测试集中，每列有5512个空值？

这会很奇怪，因为在这一点之前，导入等在大多数情况下表现得都符合预期。例如，调用 e.g. 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 导入调用如下所示:

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

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

我不确定这里是否有一个直接的问题，但我希望有人看到我做错了什么。

如有任何想法，我们将不胜感激。

Answer 1

我认为您需要检查 DataFrame 中的 NaN 值，它是从 csv 创建的。您可以使用 isnull与 any和 boolean indexing :

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

然后你可以使用一些文本编辑器，例如Notepad++ 并检查这个有问题的行。