Kaggle Data Challenge 第四天

Kaggle_logo.png

Abstract:18年复活节前的五天,kaggle举办了数据预处理的五个挑战。这里做每天学习到的技术要点的回顾。这篇是第四天的内容,主要是有关字符数据的编码。


Introduction

Python的数据的默认编码是UTF-8,当导入其他编码的数据时会出错。今天的内容就是理解编码解码机制,以及解决如何将其他编码类型的数据导入python并储存成默认的UTF-8。

创建环境

需要用到chardet,character encoding detector。

# modules we'll use
import pandas as pd
import numpy as np

# helpful character encoding module
import chardet

# set seed for reproducibility
np.random.seed(0)

理解编码解码机制

文字类型的数据一般有两种格式,一种是string,字符串:

# start with a string
before = "This is the euro symbol: €"

一种是bytes,字节:

# encode it to a different encoding, replacing characters that raise errors
after = before.encode("utf-8", errors = "replace")

编码成utf-8以后的string变成了bytes格式,以「b」开头。
b'This is the euro symbol: \xe2\x82\xac'

用utf-8解码以后依然可以变回原状:

# convert it back to utf-8
print(after.decode("utf-8"))

This is the euro symbol: €

这里要注意的是:以utf-8编码后的数据没法用别的编码器(比如ascii)解码

ASCII是最早的编码,只能编码英语和有限的符号。

# Your turn! Try encoding and decoding different symbols to ASCII and
# see what happens. I'd recommend $, #, 你好 and नमस्ते but feel free to
# try other characters. What happens? When would this cause problems?

mytext = "£,#,nihao,你好"
encode_utf = mytext.encode("utf-8", errors = "replace")
encode_ascii = mytext.encode("ascii", errors = "replace")
print(encode_utf)
print(encode_ascii)
print(encode_utf.decode("utf-8"))
print(encode_ascii.decode("ascii"))

结果分别是:
b'\xc2\xa3,#,nihao,\xe4\xbd\xa0\xe5\xa5\xbd'
b'?,#,nihao,??'
£,#,nihao,你好
?,#,nihao,??

由此可见,使用错误的编码器编码解码以后,原数据信息就丢失了。

读取不同编码格式数据

回到intro里提到的问题。如果编码不同,pd.read_csv会报错:
UnicodeDecodeError: 'utf-8' codec can't decode byte 0x99 in position 11: invalid start byte
这就需要我们找到原数据是什么编码,然后告诉python按这个来。
但是编码方式千千万,挨个试有点累,还好有chardet这个lib可以自动找,和昨天自动找日期格式一样,虽然不保证100%正确,但是省事。先取出数据的前10000个字节检测,原因是1. 全部检测太慢;2.报错提示错误出现在position11,10000个字节可以涵盖。
PS:

open() returns a file object, and is most commonly used with two arguments: open(filename, mode).
The first argument is a string containing the filename. The second argument is another string containing a few characters describing the way in which the file will be used. mode can be 'r' when the file will only be read, 'w' for only writing (an existing file with the same name will be erased), and 'a' opens the file for appending; any data written to the file is automatically added to the end. 'r+'opens the file for both reading and writing. The mode argument is optional; 'r'will be assumed if it’s omitted.
On Windows, 'b' appended to the mode opens the file in binary mode, so there are also modes like 'rb', 'wb', and 'r+b'. Python on Windows makes a distinction between text and binary files; the end-of-line characters in text files are automatically altered slightly when data is read or written. This behind-the-scenes modification to file data is fine for ASCII text files, but it’ll corrupt binary data like that in JPEG or EXE files. Be very careful to use binary mode when reading and writing such files. On Unix, it doesn’t hurt to append a 'b' to the mode, so you can use it platform-independently for all binary files.

# look at the first ten thousand bytes to guess the character encoding
with open("../input/kickstarter-projects/ks-projects-201801.csv", 'rb') as rawdata:
    result = chardet.detect(rawdata.read(10000))

# check what the character encoding might be
print(result)

结果{'encoding': 'Windows-1252', 'confidence': 0.73, 'language': ''}
检测到encoding是windows-1252,可信度是73%。
那就告诉python这么搞,然后赶紧转换成utf-8(默认)存起来。

# read in the file with the encoding detected by chardet
kickstarter_2016 = pd.read_csv("../input/kickstarter-projects/ks-projects-201612.csv", encoding='Windows-1252')

# save our file (will be saved as UTF-8 by default!)
kickstarter_2016.to_csv("ks-projects-201801-utf8.csv")

最后要注意一点:有些时候,光看前10000个字节chardet测出一个结果(比如acsii),告诉python以后还是报错,那就尝试更多的字节,会得到不同的检查结果。


如果这篇文章对你有所帮助,还请帮忙点赞打赏评论分享~谢谢🙏


最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 206,723评论 6 481
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 88,485评论 2 382
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 152,998评论 0 344
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 55,323评论 1 279
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 64,355评论 5 374
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,079评论 1 285
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,389评论 3 400
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,019评论 0 259
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 43,519评论 1 300
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,971评论 2 325
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,100评论 1 333
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,738评论 4 324
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,293评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,289评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,517评论 1 262
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 45,547评论 2 354
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,834评论 2 345

推荐阅读更多精彩内容

  • 个人笔记,方便自己查阅使用 Py.LangSpec.Contents Refs Built-in Closure ...
    freenik阅读 67,680评论 0 5
  • 崔总,是个很有个性的女强人,连九九都是她的粉丝,(我好像在夸自己!但我觉得,我的偶像,都不简单,我是个脱离了低级趣...
    九九弱水三千阅读 738评论 0 0
  • 此时,金碧辉煌的楼宇间,一位贵气逼人的男子,英眉微蹙,注视着手中的画像。良久,他大笑出声:“果真是一位如画的美人,...
    冉依阅读 653评论 2 6
  • 1.心动了,却不敢靠近 小茉莉,是一个网名,一所普通高校的学生。还是在那个网络刚刚普及的年代,上网聊天刚刚在校园中...
    魏然2015阅读 868评论 6 8
  • 我见过的一万种美,你都没见过。 去年4月到8月,我徒步旅行走了半个中国,从桂林到西藏再到新疆,最后从宁夏回到了北京...
    晓晓孤帆阅读 249评论 0 1