pandas读取CSV文件时出现警告:Columns (2,3) have mixed types. Specify dtype option on import or set low_memory

一、问题

用pandas读csv时,通过某些条件进行清洗数据,但是总感觉清洗出来的数据不对,就又用Python自带的csv模块进行了一次清洗,结果发现两种方式清洗出来的数据结果不一致,并且在pandas读入数据时,出现如下数据类型warning

D:\myCode\PythonTest\MachineLearning\venv\Scripts\python.exe D:/myCode/spark/spark_ML/data2New.py
sys:1: DtypeWarning: Columns (2,3) have mixed types. Specify dtype option on import or set low_memory=False.

意思是2,3列的数据类型不一致。为什么会出现这种情况呢?

pandas读取csv文件默认是按块读取的,即不一次性全部读取;
另外pandas对数据的类型是完全靠猜的,所以pandas每读取一块数据就对csv字段的数据类型进行猜一次,所以有可能pandas在读取不同块时对同一字段的数据类型猜测结果不一致。

二、解决方法

方法一:

           按照提示,读入数据时指定参数low_memory=False,可以部分解决这类问题。

原来代码:

df0 = pd.read_csv('D:/myCode/spark/spark_ML/2019data.csv')

添加指定参数后:

df0 = pd.read_csv('D:/myCode/spark/spark_ML/2019data.csv',low_memory=False)

方法二:

            给出现问题的混合类型(mixed types)的列,指定类型。

代码示例:pd.read_csv('D:/myCode/spark/spark_ML/2019data.csv',dtype={"user_id":int, "username": object})

三、总结

low_memory=False 参数设置后,pandas会一次性读取csv中的所有数据,然后对字段的数据类型进行唯一的一次猜测。这样就不会导致同一字段的Mixed types问题了。
但是这种方式真的非常不好,一旦csv文件过大,就会内存溢出;所以推荐用第2种解决方案。

你可能感兴趣的:(Python,机器学习)