O Pandas parece ignorar o nome da primeira coluna ao ler dados delimitados por tabulação, fornece KeyError
Estou usando o pandas 0.12.0 no ipython3 no Ubuntu 13.10, para agrupar grandes conjuntos de dados delimitados por tabulações em arquivos txt. O uso de read_table para criar um DataFrame a partir do txt parece funcionar e a primeira linha é lida como um cabeçalho, mas a tentativa de acessar a primeira coluna usando seu nome como um índice gera um KeyError. Não entendo por que isso acontece, já que todos os nomes de colunas parecem ter sido lidos corretamente e todas as outras colunas podem ser indexadas dessa maneira.
Os dados são assim:
RECORDING_SESSION_LABEL LEFT_GAZE_X LEFT_GAZE_Y RIGHT_GAZE_X RIGHT_GAZE_Y VIDEO_FRAME_INDEX VIDEO_NAME
73_1 . . 395.1 302 . .
73_1 . . 395 301.9 . .
73_1 . . 394.9 301.7 . .
73_1 . . 394.8 301.5 . .
73_1 . . 394.6 301.3 . .
73_1 . . 394.7 300.9 . .
73_1 . . 394.9 301.3 . .
73_1 . . 395.2 302 1 1_1_just_act.avi
73_1 . . 395.3 302.3 1 1_1_just_act.avi
73_1 . . 395.4 301.9 1 1_1_just_act.avi
73_1 . . 395.7 301.5 1 1_1_just_act.avi
73_1 . . 395.9 301.5 1 1_1_just_act.avi
73_1 . . 396 301.5 1 1_1_just_act.avi
73_1 . . 395.9 301.5 1 1_1_just_act.avi
15_1 395.4 301.7 . . . .
O delimitador é definitivamente guias, e não há espaços em branco à direita ou à esquerda.
O erro ocorre com este programa mínimo:
import pandas as pd
samples = pd.read_table('~/datafile.txt')
print(samples['RECORDING_SESSION_LABEL'])
que fornece o erro:
---------------------------------------------------------------------------
KeyError Traceback (most recent call last)
<ipython-input-65-137d3c16b931> in <module>()
----> 1 print(samples['RECORDING_SESSION_LABEL'])
/usr/lib/python3/dist-packages/pandas/core/frame.py in __getitem__(self, key)
2001 # get column
2002 if self.columns.is_unique:
-> 2003 return self._get_item_cache(key)
2004
2005 # duplicate columns
/usr/lib/python3/dist-packages/pandas/core/generic.py in _get_item_cache(self, item)
665 return cache[item]
666 except Exception:
--> 667 values = self._data.get(item)
668 res = self._box_item_values(item, values)
669 cache[item] = res
/usr/lib/python3/dist-packages/pandas/core/internals.py in get(self, item)
1654 def get(self, item):
1655 if self.items.is_unique:
-> 1656 _, block = self._find_block(item)
1657 return block.get(item)
1658 else:
/usr/lib/python3/dist-packages/pandas/core/internals.py in _find_block(self, item)
1934
1935 def _find_block(self, item):
-> 1936 self._check_have(item)
1937 for i, block in enumerate(self.blocks):
1938 if item in block:
/usr/lib/python3/dist-packages/pandas/core/internals.py in _check_have(self, item)
1941 def _check_have(self, item):
1942 if item not in self.items:
-> 1943 raise KeyError('no item named %s' % com.pprint_thing(item))
1944
1945 def reindex_axis(self, new_axis, method=None, axis=0, copy=True):
KeyError: 'no item named RECORDING_SESSION_LABEL'
Simplesmente fazendoprint(samples)
fornece a saída esperada da impressão de toda a tabela, completa com a primeira coluna e seu cabeçalho. Tentar imprimir qualquer outra coluna (ou seja, exatamente o mesmo código, mas com 'RECORDING_SESSION_LABEL' substituído por 'LEFT_GAZE_X') funciona como deveria. Além disso, o cabeçalho parece ter sido lido corretamente e o pandas reconhece 'RECORDING_SESSION_LABEL' como um nome de coluna. Isso é evidenciado pelo uso do método .info () e pela exibição do atributo .columns das amostras, após a leitura em:
>samples.info()
<class 'pandas.core.frame.DataFrame'>
Int64Index: 28 entries, 0 to 27
Data columns (total 7 columns):
RECORDING_SESSION_LABEL 28 non-null values
LEFT_GAZE_X 28 non-null values
LEFT_GAZE_Y 28 non-null values
RIGHT_GAZE_X 28 non-null values
RIGHT_GAZE_Y 28 non-null values
VIDEO_FRAME_INDEX 28 non-null values
VIDEO_NAME 28 non-null values
dtypes: object(7)
>print(samples.columns)
Index(['RECORDING_SESSION_LABEL', 'LEFT_GAZE_X', 'LEFT_GAZE_Y', 'RIGHT_GAZE_X', 'RIGHT_GAZE_Y', 'VIDEO_FRAME_INDEX', 'VIDEO_NAME'], dtype=object)
Outro comportamento de erro que sinto estar relacionado ocorre ao usar a conclusão da guia do ipython, o que me permite acessar as colunas de amostras como se fossem atributos. Funciona para todas as colunas, exceto a primeira. ie; pressionando a tecla Tab com>samples.R
apenas sugeresamples.RIGHT_GAZE_X samples.RIGHT_GAZE_Y
.
Então, por que ele está se comportando normalmente ao examinar todo o quadro de dados, mas falhando ao tentar acessar a primeira coluna pelo nome, mesmo que pareça ter lido corretamente esse nome?