本文将详细介绍如何使用 Python 和 Pandas 库来清洗和对齐字段不一致的 CSV 数据。正如摘要中所述，我们将采用一种分而治之的策略，先将数据按照字段数量进行分组，再分别处理。
数据准备
首先，我们需要准备好需要处理的 CSV 数据。假设我们的数据存储在一个字符串变量 data 中，其内容如下：
data = """ 30,1204,PO,71100,147130,I09,B10,OC,350,20105402 31,1221,PO,70400,147170,I09,B10,OC,500,20105402 32,1223,SI,70384,147122,I09,B10,OC,500,PN,3,BO,OI,20105402 33,1224,SI,70392,147032,I09,B10,OC,500,PN,1,BO,OI,20105402 34,1227,PO,70400,146430,I09,B10,PF,500,20105402 35,1241241,PO,71100,146420,I09,B10,PF,500,20105402 36,1241249,PO,71100,146000,I09,B10,SN,500,20105402 37,1305,PO,70400,146000,I09,B10,OC,500,20105402 38,1307,SI,70379,146041,I09,B10,OC,500,21,BH,1,BO,195,40,SW,20105402 39,1312,SD,70372,146062,I09,B10,OC,500,20105402 40,1332,SI,70334,146309,I09,B10,OC,500,PN,4,BO,OI,20105402 41,1332,SI,70334,146309,I09,B10,OC,500,PN,5,BO,OI,20105403 42,1333,SI,70333,146324,I09,B10,OC,500,PN,2,BO,OI,20105403 43,1334,SI,70328,146348,I09,B10,OC,500,PN,1,BO,OI,20105403 44,1335,SI,70326,146356,I09,B10,OC,500,PN,1,BO,OI,20105403 45,1336,SI,70310,146424,I09,B10,OC,500,PN,1,BO,OI,20105403 46,1338,SI,70302,146457,I10,B10,OC,500,PN,1,BO,OI,20105403 47,1338,SI,70301,146464,I10,B10,OC,500,PN,1,BO,OI,20105403 48,1340,SI,70295,146503,I10,B10,OC,500,PN,8,BO,OI,20105403 49,1405,LD,2,70119,148280,I10,B10,OC,0000,20105403 01,1024,LA,1R,70120,148280,B10,OC,0000,21105501 02,1039,PO,70340,149400,I10,B10,OC,500,21105501 03,1045,SI,70378,149025,I10,B07,PF,300,PN,17,BO,OI,21105501 """
数据分组
接下来，我们将数据按行分割，并根据每行包含的字段数量进行分组。
from io import StringIO
import pandas as pd
data = """
30,1204,PO,71100,147130,I09,B10,OC,350,20105402
31,1221,PO,70400,147170,I09,B10,OC,500,20105402
32,1223,SI,70384,147122,I09,B10,OC,500,PN,3,BO,OI,20105402
33,1224,SI,70392,147032,I09,B10,OC,500,PN,1,BO,OI,20105402
34,1227,PO,70400,146430,I09,B10,PF,500,20105402
35,1241241,PO,71100,146420,I09,B10,PF,500,20105402
36,1241249,PO,71100,146000,I09,B10,SN,500,20105402
37,1305,PO,70400,146000,I09,B10,OC,500,20105402
38,1307,SI,70379,146041,I09,B10,OC,500,21,BH,1,BO,195,40,SW,20105402
39,1312,SD,70372,146062,I09,B10,OC,500,20105402
40,1332,SI,70334,146309,I09,B10,OC,500,PN,4,BO,OI,20105402
41,1332,SI,70334,146309,I09,B10,OC,500,PN,5,BO,OI,20105403
42,1333,SI,70333,146324,I09,B10,OC,500,PN,2,BO,OI,20105403
43,1334,SI,70328,146348,I09,B10,OC,500,PN,1,BO,OI,20105403
44,1335,SI,70326,146356,I09,B10,OC,500,PN,1,BO,OI,20105403
45,1336,SI,70310,146424,I09,B10,OC,500,PN,1,BO,OI,20105403
46,1338,SI,70302,146457,I10,B10,OC,500,PN,1,BO,OI,20105403
47,1338,SI,70301,146464,I10,B10,OC,500,PN,1,BO,OI,20105403
48,1340,SI,70295,146503,I10,B10,OC,500,PN,8,BO,OI,20105403
49,1405,LD,2,70119,148280,I10,B10,OC,0000,20105403
01,1024,LA,1R,70120,148280,B10,OC,0000,21105501
02,1039,PO,70340,149400,I10,B10,OC,500,21105501
03,1045,SI,70378,149025,I10,B07,PF,300,PN,17,BO,OI,21105501
"""
all_data = {}
for line in map(str.strip, data.splitlines()):
if line == "":
continue
line = line.split(",")
all_data.setdefault(len(line), []).append(line)
# 输出分组后的数据，便于观察
for num_fields, grouped_data in all_data.items():
print(f"Rows with {num_fields} fields:")
df = pd.DataFrame(grouped_data)
print(df)
print("-" * 80)这段代码首先定义了一个字典 all_data，用于存储分组后的数据。然后，它遍历数据的每一行，使用 , 分割字段，并将分割后的字段列表添加到 all_data 中对应字段数量的键值下。setdefault 方法确保如果某个字段数量的键不存在，则创建一个新的空列表。
立即学习“Python免费学习笔记（深入）”；
数据清洗和对齐
完成分组后，可以针对每个分组的数据进行清洗和对齐。具体的清洗和对齐方法取决于数据的具体含义和需求。以下是一些常见的清洗和对齐策略：
- 缺失值处理： 对于字段数量较少的行，可以考虑填充缺失值。可以使用 fillna() 方法填充 NaN 值，或者根据业务逻辑填充其他默认值。
- 数据类型转换： 确保每个字段的数据类型正确。例如，将数字字符串转换为数值类型，将日期字符串转换为日期类型。
- 字段内容标准化： 对字段内容进行标准化，例如统一大小写、去除空格等。
- 数据合并： 如果某些字段在不同的分组中表示相同的含义，可以考虑将这些字段合并到一个统一的字段中。
示例：缺失值填充
假设我们希望将所有分组的数据都填充到最大字段数量，可以使用以下代码：
max_fields = max(all_data.keys())
for num_fields, grouped_data in all_data.items():
df = pd.DataFrame(grouped_data)
# 填充缺失列，使其列数等于最大列数
for i in range(max_fields):
if i not in df.columns:
df[i] = None # 或者填充其他默认值，如 ''
all_data[num_fields] = df
# 打印处理后的数据
for num_fields, df in all_data.items():
print(f"Rows with {num_fields} fields (after padding):")
print(df)
print("-" * 80)此示例代码首先找到最大字段数量 max_fields，然后遍历每个分组的数据，如果某个分组的数据的列数小于 max_fields，则添加缺失列，并填充 None 值。
注意事项和总结
- 在进行数据清洗和对齐之前，务必了解数据的具体含义和业务逻辑。
- 根据数据的特点选择合适的清洗和对齐策略。
- 在清洗和对齐过程中，要仔细检查数据的质量，确保数据的准确性和完整性。
- 数据清洗是一个迭代的过程，需要不断尝试和调整，才能达到最佳效果。
通过本文档的介绍，您应该能够使用 Python 和 Pandas 库来清洗和对齐字段不一致的 CSV 数据。记住，数据清洗是一个复杂的过程，需要根据实际情况进行调整和优化。希望本文档能够帮助您更好地处理不规范的 CSV 数据，为后续的数据分析工作奠定基础。
