Python读取制表符分隔文件：如何拆分列并去除制表符？

嘿，作为Python新手遇到这种数据解析问题很正常，我来帮你搞定！

问题根源 #

你当前的代码里，pd.read_csv()默认是用逗号作为字段分隔符，但这个种子数据集的文件是用制表符或多个空格来分隔值的，所以所有数据都被挤到了同一列里，就出现了你看到的当前效果。

修正后的代码 #

只需要给read_csv()加上几个关键参数就能解决问题，同时我们可以给数据集加上对应的列名（原文件没有表头）：

import pandas as pd
import io
import requests

url = "https://archive.ics.uci.edu/ml/machine-learning-databases/00236/seeds_dataset.txt"
s = requests.get(url).content
# 用\s+匹配任意空白字符（制表符/空格都适用），header=None表示无表头
df = pd.read_csv(io.StringIO(s.decode('utf-8')), sep='\s+', header=None)
# 给数据集添加列名（根据UCI数据集说明）
df.columns = [
    "area", 
    "perimeter", 
    "compactness", 
    "length_of_kernel", 
    "width_of_kernel", 
    "asymmetry_coefficient", 
    "length_of_groove", 
    "type"
]

# 查看前几行验证效果
print(df.head())

参数说明 #

• sep='\s+'：告诉pandas用任意数量的空白字符（包括制表符\t、单个或多个空格）作为分隔符，完美适配这个数据集的格式；
• header=None：因为原文件没有第一行作为表头，所以让pandas不要把第一行数据识别为列名；
• 手动设置df.columns：让数据集的列更有意义，方便后续分析。

这样处理后，数据就会自动拆分到不同的列中，和你期望的效果一致啦！

内容的提问来源于stack exchange，提问作者jkhammerseth