python - pandas读取中文的时候乱码 要如何解决?

问题描述

下载了一份新浪微博的数据,但是原始数据是用csv的,在mac上没办法直接打开,读取的时候,也会错误,会出现

UnicodeDecodeError: ’utf-8’ codec can’t decode byte 0x84 in position 36: invalid start byte

然后自己google,发现read_csv(’file’, encoding = 'ISO-8859-1') 这样的时候读取不会有错

但是读取进来发现是这样的:

中文全部

然后测试了read_csv(’file’, encoding = 'gbk')read_csv(’file’, encoding = 'utf8')read_csv(’file’, encoding = 'gb18030')总之就是各种不行~基本的情况如下:

UnicodeDecodeError: ’gb18030’ codec can’t decode byte 0xaf in position 12: incomplete multibyte sequence

有大神遇到类似的情况吗?

有大神说要数据 因为比较大,热心的人可以看看 不过我觉得挺有用的下面是微博的数据链接:http://pan.baidu.com/s/1jHCOwCI 密码:x58f

补充一下代码吧~上面随意一个文件下载下来(是csv格式的)然后用pandas打开就会出错~

import pandasdf = pandas.read_csv('week1.csv')

问题解答

给代码和原数据

你写点能代码+有代表性的数据 即可，别搞几G的大数据阿~

谁看啊？

跟你一样的情况，试了很多编码仍然没有用，但是看数据用UTF8编码的话，有的数据能转换成功，所以我暂时能想到的办法就是用open去按行读取，如果出现编码转换错误就丢掉，这样下来数据量其实也不少

你也可以试试用cp1252。最好的方法是先通过chardet包（https://pypi.python.org/pypi/...）看文件具体上用什么encoding。

试过了没有问题呀，我猜想应该是你环境编码问题吧，可以尝试一下以下代码

#coding=utf-8import pandas as pdimport sysreload(sys)sys.setdefaultencoding('utf-8')df = pd.read_csv(’week1.csv’, encoding=’utf-8’, nrows=10)print df