如何使用Pandas正确读取UCI机器学习存储库的数据集?
问题核心原因
你遇到的解析问题本质是文件结构和解析规则不匹配,可通过报错信息反向推导定位:
- 首次调用
pd.read_table(path)时,函数默认按制表符(\t)分割字段,而整个文件内不存在制表符,所有内容(包括开头的说明文本、后续的结构化数据)都被识别为单列,出现字段未拆分的读取异常。 - 第二次设置
sep=','触发报错的原因:解析器逐行读取时,前3行是无逗号的纯文本说明,按逗号分割后每行只有1个字段;因为你设置了header=None,解析器会把第一行的字段数作为全文件的统一预期,当读到第4行的结构化数据(该行含18个逗号,拆分后共19个字段)时,因为字段数和预期的1个不匹配,直接触发解析报错。 - 该数据集的实际结构为:开头3行是纯文本格式的元说明,从第4行开始是逗号分隔的结构化数据,逗号后会跟随空格分隔列名和数值。
正确读取方案
匹配文件实际结构调整解析参数即可,无需提前下载文件到本地,完整可运行代码如下:
import pandas as pd path = 'http://archive.ics.uci.edu/ml/machine-learning-databases/image/segmentation.data' df = pd.read_table( path, sep=',', # 匹配结构化数据的逗号分隔规则 skiprows=3, # 跳过开头3行非结构化的纯文本说明 header=0, # 将跳过行之后的第一行设置为数据列名 skipinitialspace=True # 自动去除分隔符后跟随的多余空格,避免列名/值带冗余前缀 )
读取结果校验
正常解析完成后可通过以下方式验证正确性:
- 查看数据形状
df.shape,正常结果应为(210, 20):共210个样本,19个数值特征列 + 1个类别标签列 - 查看前5行内容
df.head(),所有字段应正常拆分到独立列,不会出现所有内容挤在同一列的异常情况
内容的提问来源于stack exchange,提问作者Tanya Gaychenkova
相关产品推荐
相关产品推荐

