python - 哪个文件导致 `dask.dataframe.read_csv` 失败？

Question

我经常遇到的错误是

>> dd.read_csv('/tmp/*.csv', parse_dates=['start_time', 'end_time'])

Traceback (most recent call last):
...
  File "/Users/brettnaul/venvs/model37/lib/python3.6/site-packages/dask/dataframe/io/csv.py", line 163, in coerce_dtypes
    raise ValueError(msg)
ValueError: Mismatched dtypes found in `pd.read_csv`/`pd.read_table`.

The following columns failed to properly parse as dates:

- start_time
- end_time

This is usually due to an invalid value in that column. To
diagnose and fix it's recommended to drop these columns from the
`parse_dates` keyword, and manually convert them to dates later
using `dd.to_datetime`.

很明显我的一个文件格式不正确，但是哪个文件呢？到目前为止，我提出的最佳解决方案是:

• 在 IPython 中重新运行相同的命令
• %调试魔法
• 将原始 CSV 文本示例打印到控制台
• 找到一段独特的文本并进行 grep，直到找出有问题的文件

这对我来说似乎非常迂回，但除非我遗漏了一些明显的东西，否则回溯中似乎没有任何其他可用的识别信息。有没有更好的方法来找出哪个文件失败？使用 collection=False 并检查 Delayed 对象也可能有效，但我不确定要寻找什么。有什么方法可以使引发的异常包含一些提示，说明问题发生的位置，或者在调用 read_csv 后该信息是否不可用？

Answer 1

一种方法是在读取文件时包含文件名，推迟日期解析(仅遵循错误消息中的建议)，将错误视为 NaT，并找出有问题的结果中的那些。在下面的示例中，2.csv 和 3.csv 包含有问题的值:

In [45]: !cat 1.csv
a
2018-01-01
2018-01-02

In [46]: !cat 2.csv
a
2018-01-03
2018-98-04

In [47]: !cat 3.csv
a
2018-01-05b
2018-01-06

In [48]: !cat 4.csv
a
2018-01-07
2018-01-08

In [49]: df = dd.read_csv('*.csv', include_path_column=True)

In [50]: df['a'] = dd.to_datetime(df.a, errors='coerce')

In [51]: df[df['a'].isnull()].path.compute()
Out[51]: 
1    2.csv
0    3.csv

特别是，这告诉我们 2.csv 中的第二行(索引为 1)和 3.csv 中的第一行(索引为 0)是罪魁祸首.