2014-05-08 53 views
1

我想寻求指导我在pandas.read_csv例程中发现的问题的补救步骤。当我使用pd.to_csv将一个长整数存储到一个文件中时,它将数据存储好 - 但是当我使用pd.read_csv读取它时,它与最后3位数字混淆。当我尝试使用to_csv(不进行任何编辑)再次将其保存时,生成的CSV文件中的数字与原始CSV文件不同。我下面所示的问题(注意如何4321113141090630389成为4321113141090630400和4321583677327450765成为4321583677327450880):与pd.read_csv截断问题

通过pd.to_csv创建原始CSV文件:

grep -e 321583677327450 -e 321113141090630 orig.piece 
orig.piece:1,1;0;0;0;1;1;3844;3844;3844;1;1;1;1;1;1;0;0;1;1;0;0,,,4321583677327450765 
orig.piece:5,1;0;0;0;1;1;843;843;843;1;1;1;1;1;1;0;0;1;1;0;0,64.0,;,4321113141090630389 

import pandas as pd 
import numpy as np 

orig = pd.read_csv('orig.piece') 
orig.dtypes 
Unnamed: 0 int64 
aa object 
act float64 
... 
... 
s_act float64 
dtype: object 

>orig['s_act'].head(6) 
0 NaN 
1 4.321584e+18 
2 4.321974e+18 
3 4.321494e+18 
4 4.321283e+18 
5 4.321113e+18 
Name: s_act, dtype: float64 

>orig['s_act'].fillna(0).astype(int).head(6) 
0 0 
1 4321583677327450880 
2 4321973950881710336 
3 4321493786516159488 
4 4321282586859217408 
5 4321113141090630400 

>orig.to_csv('convert.piece') 

grep -e 321583677327450 -e 321113141090630 orig.piece convert.piece 
orig.piece:1,1;0;0;0;1;1;3844;3844;3844;1;1;1;1;1;1;0;0;1;1;0;0,,,4321583677327450765 
orig.piece:5,1;0;0;0;1;1;843;843;843;1;1;1;1;1;1;0;0;1;1;0;0,64.0,;,4321113141090630389 
convert.piece:1,1;0;0;0;1;1;3844;3844;3844;1;1;1;1;1;1;0;0;1;1;0;0,,,4.321583677327451e+18 
convert.piece:5,1;0;0;0;1;1;843;843;843;1;1;1;1;1;1;0;0;1;1;0;0,64.0,;,4.3211131410906304e+18 

请你帮助我理解为什么read_csv搅乱最后三位数字?它甚至不是圆整的问题,数字是完全不同的(如4321583677327450765变为4321583677327450880以上)是否因为科学记数法出现 - 我们如何禁用它并让大熊猫将这些数据视为绝对对象/字符串或计划整数/浮动?

+0

btw,当我说'orig = pd.read_csv('orig.piece',dtype = str)'时,问题就消失了。但是,这有什么缺点吗?此外,这听起来像一个解决方法,而不是一个修复。 – user3615154

回答

3

这是浮点错误。因为s_act列有缺失值(pandas没有整数缺失值),所以它在s_act中读取dtype = float(dtypes在pandas的列级定义)。所以你基本上是看到以下内容:

>>> x = 4321113141090630389 
>>> float(x) 
4.32111314109063e+18 
>>> int(float(x)) 
4321113141090630144 

在解决方案方面,你可以的s_act的D型改变,当你在读它(所产生的D型将是oject)的字符串。例如:

data = """ 
id,val,x 
1,4321113141090630389,4 
2,,5 
3,200,4 
""" 

df = pd.read_csv(StringIO(data),header=True,dtype={'val':str}) 
print df 

    id     val x 
0 1 4321113141090630389 4 
1 2     NaN 5 
2 3     200 4 

print df.info() 

<class 'pandas.core.frame.DataFrame'> 
Int64Index: 3 entries, 0 to 2 
Data columns (total 3 columns): 
id  3 non-null int64 
val 2 non-null object 
x  3 non-null int64 

df['val'] = df['val'].fillna(0).astype(int) 
print df 

    id     val x 
0 1 4321113141090630389 4 
1 2     0 5 
2 3     200 4