pandas.errors.ParserError: Error tokenizing data. C error: Expected 5 fields in line 4, saw 6
Un rând din CSV are mai multe valori decât antetul, de obicei din cauza unei virgule în interiorul unei valori (o zecimală scrisă cu virgulă sau un text fără ghilimele). Pune valorile cu virgulă între ghilimele sau citește cu separatorul corect (sep=";").
Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la
Ce înseamnă
pandas citește primul rând (antetul) și numără coloanele: aici 5. Apoi împarte fiecare rând după separator, implicit virgula. La linia 4 a fișierului a găsit 6 bucăți și nu știe în ce coloană să pună valoarea în plus, așa că se oprește.
Numărul liniei din mesaj e numărul liniei din fișier, numărat de la 1 și cu antetul inclus, deci îl poți găsi direct deschizând fișierul într-un editor. Pe linia aceea vei vedea de obicei un preț scris 12,50, o adresă de tipul Str. Lungă 5, ap. 3 sau un nume de firmă cu virgulă. În fișierele românești apare des și situația inversă: separatorul real e ;, iar zecimalele au virgulă.
Nu sări peste rânduri cu on_bad_lines="skip" decât dacă ești sigur că nu ai nevoie de ele: pierzi date fără să observi.
De ce apare: cauzele frecvente
1Zecimală scrisă cu virgulă într-un CSV cu virgulă
produs,pret
Cafea,24,90produs,pret
Cafea,"24,90"Fără ghilimele, 24,90 devine două câmpuri. Între ghilimele, virgula face parte din valoare (apoi o transformi în număr cu str.replace).
2Fișierul folosește de fapt punct și virgulă
import pandas as pd
# produs;pret
# Cafea;24,90
df = pd.read_csv("preturi.csv")import pandas as pd
df = pd.read_csv("preturi.csv", sep=";", decimal=",")Exporturile din Excel în română folosesc ; între coloane și , la zecimale. Cu sep și decimal corecte, fiecare rând are numărul potrivit de câmpuri, iar prețurile devin numere.
3Text liber cu virgule, fără ghilimele
nume,adresa,oras
Ana,Str. Lunga 5, ap. 3,Clujnume,adresa,oras
Ana,"Str. Lunga 5, ap. 3",ClujCâmpurile de text care pot conține separatorul trebuie puse între ghilimele. df.to_csv face asta automat când scrii tu fișierul.
Repară eroarea, direct în pagină
Fișierul preturi.csv are prețuri cu zecimale, iar codul de mai jos dă ParserError la citire. Repară fișierul (în codul care îl scrie), astfel încât read_csv să citească toate cele trei produse și să afișeze prețul mediu cu două zecimale.
import pandas as pd
open("preturi.csv", "w").write(
"cod,produs,categorie,stoc,pret\n"
"P1,Ceai verde,Băuturi,40,12.5\n"
"P2,Miere,Dulciuri,15,31.0\n"
"P3,Cafea,Băuturi,22,24,90\n"
)
df = pd.read_csv("preturi.csv")
print(df[["produs", "pret"]])
print(f"Preț mediu: {df['pret'].mean():.2f} lei")produs pret 0 Ceai verde 12.5 1 Miere 31.0 2 Cafea 24.9 Preț mediu: 22.80 lei
Indiciu
La linia 4 a fișierului, prețul 24,90 are o virgulă: scrie-l cu punct zecimal, ca celelalte.
Reparația
import pandas as pd
open("preturi.csv", "w").write(
"cod,produs,categorie,stoc,pret\n"
"P1,Ceai verde,Băuturi,40,12.5\n"
"P2,Miere,Dulciuri,15,31.0\n"
"P3,Cafea,Băuturi,22,24.90\n"
)
df = pd.read_csv("preturi.csv")
print(df[["produs", "pret"]])
print(f"Preț mediu: {df['pret'].mean():.2f} lei")De ce merge
Antetul are 5 coloane, deci pandas se așteaptă la 5 câmpuri pe fiecare rând. 24,90 era împărțit la virgulă în două câmpuri, iar rândul cafelei avea 6. Cu punct zecimal, rândul are din nou 5 câmpuri, iar coloana pret e citită ca număr, așa că mean() poate calcula media. În fișierele reale pe care nu le poți edita, folosești sep=";" și decimal="," sau ghilimele.
Alte forme ale mesajului
pandas.errors.ParserError: Error tokenizing data. C error: Expected 1 fields in line 3, saw 2ParserError: Error tokenizing data. C error: EOF inside string starting at row 12
Cum o eviți pe viitor
- Înainte de
read_csv, uită-te la primele rânduri ale fișierului ca text (într-un editor sau cuprint(open("f.csv").read()[:300])) ca să vezi separatorul și zecimalele. - Pentru exporturi românești din Excel, pornește direct cu
sep=";", decimal=",". - Când generezi tu fișiere CSV, folosește
df.to_csv, care pune singur ghilimele unde e nevoie. - Dacă trebuie totuși să sari rânduri, folosește
on_bad_lines="warn", ca să vezi care sunt.
Întrebări frecvente
De ce eroarea apare abia la linia 4, nu de la început?
Primele linii au exact numărul de câmpuri din antet, deci sunt corecte. Problema e doar pe rândurile cu o virgulă în plus. Într-un fișier mare, linia din mesaj e prima problematică, dar pot fi și altele după ea.
E la fel cu „Expected 1 fields in line 3, saw 2”?
Da, e aceeași eroare. Când antetul are un singur câmp, de obicei antetul folosește alt separator decât restul fișierului, sau fișierul începe cu un rând de titlu. Verifică primele linii și folosește sep sau skiprows.
Erori înrudite
UnicodeDecodeError: 'utf-8' codec can't decode byte 0xe3 in position 16: invalid continuation byte Fișierul CSV nu e salvat în UTF-8, ci într-o codificare veche (de obicei cp1250 sau latin-1, din Excel pe Windows), iar pandas îl citește implicit ca UTF-8. Spune-i codificarea reală: pd.read_csv("fisier.csv", encoding="cp1250"). ValueError: could not convert string to float: '1.299,50' Coloana conține numere scrise ca text în format românesc (punct la mii, virgulă la zecimale) sau cu unități, iar astype(float) nu le poate citi. Curăță textul înainte: scoate punctele de mii, înlocuiește virgula cu punct, apoi convertește; sau citește direct cu read_csv(..., thousands=".", decimal=","). KeyError: 'Pret' DataFrame-ul nu are o coloană cu exact numele 'Pret'. Coloanele sunt sensibile la majuscule, spații și diacritice: afișează print(df.columns.tolist()) și folosește numele exact, de exemplu df["pret"]. Învață Python pentru analiza datelor de la zero, cu exerciții la fiecare lecție
Curs Data Analysis with Python: lecții scurte, fiecare cu un exercițiu verificat automat, direct în browser. Primele 15 lecții sunt gratuite.
