[python3]TypeError: expected string or bytes-like object

Question

おはようございます。csvファイルの中に日本語が混ざっていたらその部分を消す、というプログラムを書きたいです。

ですが、「セルの中に日本語が混じっているかどうか」の判定に手間取っています。
日本語は[^\x01-\x7E]で表すことができるというところまでは調べたのですが、
「もしこのセルに日本語があれば消す」という判定文が書けません。
re.subを使えば正規表現を使って置換ができるというのですが、セルをうまく指定できないのです。

よろしくお願いしますorz
csv ファイルの中身

user_id,comment
1,Hi
2,World
3,Hello
5,こんにちは
4,Python
2,きょう
1,あゆむ
3,Sato
5,Flower
4,class
3,find

import csv
import re # Regular expression
import pandas as pd
csv_ori = pd.read_csv('original.csv', sep=",")
# csv_ori = open('original.csv', 'r')
# csvo = csv_ori['comment'][1]
# print(csvo)

for i, index in csv_ori.iterrows():
    print(i)
    re_csv = re.sub('[^\x01-\x7E]', "", csv_ori['comment'][index])

# コードここまで。あとはコメント。
"""
置換後の文字列 = re.sub(正規表現, 置換する文字列, 置換される文字列 [, 置換回数])
for index in csv_ori.iterrows():
    ori = csv_ori['comment'][index]
    # if csv_ori['comment'][index] == '[^\x01-\x7E]'
    # ori = re.sub('[^\x01-\x7E]', '', ori)
    print(ori)

for i, series in data_frame.iterrows():
    # DataFrameオブジェクトのiterrows()メソッドでは、行番号とSeriesがリストとして返ってくる。
    # 変数を2つ用意すると、それぞれに格納される。
    print(i)
    print(series['columnA'], series['columnB'])
    
for i, index in csv_ori.iterrows():
    print(i)
    print(index['user_id'], index['comment'])
    

"""

できましたー(≧∇≦)b

日本語は[^\x01-\x7E]ではなく[亜-熙ぁ-んァ-ヶ]でした！ opyon様、ありがとうございます。

import csv
import re # Regular expression
import pandas as pd
import warnings
warnings.filterwarnings('ignore')

csv_ori = pd.read_csv('original.csv', sep=",")
ja_l = []
for i, index in csv_ori.iterrows():
    print('i: ' + str(i))
    com = csv_ori.iloc[i]["comment"]
    ja = re.sub('[亜-熙ぁ-んァ-ヶ]', 'None', com)
    print(ja)
    ja_l.append(ja)

print(ja_l)

for index, row in csv_ori.iterrows():
    csv_ori['comment'][index] = ja_l[index]

csv_ori.to_csv('original.csv', index=False)

出力結果
Terminal

i: 0
Hi
...
...(略)
i: 10
find
['Hi', 'World', 'Hello', 'NoneNoneNoneNoneNone', 'Python', 'NoneNoneNone', 'NoneNoneNone', 'Sato', 'Flower', 'class', 'find']

CSVファイル

user_id,comment
1,Hi
2,World
3,Hello
5,NoneNoneNoneNoneNone
4,Python
2,NoneNoneNone
1,NoneNoneNone
3,Sato
5,Flower
4,class
3,find

日本語を消したいのはなぜ?

tatsu99さまの質問より。

• 現在先生(Christian Mayer)についてもらってPythonを学習
• Pythonの基礎を学ぶことと並行して、実践演習課題もある。
• 実践演習課題としてフリーランス案件を選んでコードを書く、というものがある。
• 私がNeed a Python program to do some data cleaning to a csv fileを選択、そして日本語を抽出する正規表現でコケている。
• ちなみにcsvファイルは自分でそれっぽく作ってこのファイルを対象にしてコードを書く。

実践演習でいつも時間がアイスクリーム並みに溶けていきます^^;

Comments

[tatsu99]

そもそも、なぜ、「csvファイルの中に日本語が混ざっていたらその部分を消す」ということをなさりたいのでしょうか。

[tatsu99]

あと、CSVファイルの文字コードはなんでしょうか。utf8なら、問題なく読めるはずでが、それ以外ならencodingの指定をして、read_csvをする必要があります。

[Yukiya025]

tatsu99さま、こんにちは! 質問ありがとうございます(≧▽≦) > csvファイルの中に日本語が混ざっていたらその部分を消す 今先生についてPythonを学んでいます。Pythonの基礎を学ぶことと並行して、実践演習として[freelancer.com](https://www.freelancer.com/archives/python/)からプロジェクトを選んでコードを書くという課題が出ているので、[Need a Python program to do some data cleaning to a csv file](https://www.freelancer.com/projects/python/Need-Python-program-some-data/?w=f)を選びました。 csvファイルは自分でそれっぽく作りました。このCSVファイルをデータクリーニングして、データ分析に耐えうるようにするコードを書こうとしています^^/

[Yukiya025]

csvファイルはおっしゃるとおりutf8です^^/

Answer 1

なるほど、そのような事情でしたか。納得しました。１点老婆心ながら、コメントさせていただきます。
本件の要件は、日本語の文字を消したいということですので、それであれば問題ないのですが、
Need a Python program to do some data cleaning to a csv file　で要求されていることは、
「英語以外の文字を全て削除したい」ということではないでしょうか。そうであれば、日本語以外の文字も
考慮する必要があります。例えば、ロシア文字（キリル文字）のийは、あなたの修正後のスクリプトを用いても残ってしまいます。例えば、以下の様なCSVファイルです。
user_id,comment
1,Hi
2,World
3,Hello
5,こんにちは
4,Python
2,きょう
1,あゆむ
3,These ий are Russian characters.

この場合、最後の行のийが残ります。
もし、これも含めて、消し去りたいなら、
ja = re.sub('[亜-熙ぁ-んァ-ヶ]', 'None', com)
を
ja = com.encode("ascii","ignore").decode("ascii")
に変えてください。
尚、
ja = com.encode("ascii","replace").decode("ascii")
とすると、日本語、ロシア語の文字は?に変換されます。

Comments

[Yukiya025]

tatsu99様
> 英語以外の文字を全て削除したい
はい、そのとおりですf^^; とはいえ、英語以外というくくりで取得する方法がわからなかったので、とりあえず日本語のみを設定してました。
ありがとうございます(≧∇≦)

全部やってみました! すごいですね(ﾟдﾟ) はてなへの変換が気に入りました(*^^*)

[Yukiya025]

GitHubに上げましたー!
https://github.com/Yukiya025/csvCleaning

Answer 2

##追記
なるべく質問コードの変数名を使ったサンプルコードです。
あとはご自分でアレンジしてみてください。

import csv
import re # Regular expression
import pandas as pd
path_in = r'C:\workspace\Python\memo\test\'
file_in = r'test.csv'
f_in = path_in + file_in
reg = re.compile('[亜-熙ぁ-んァ-ヶ]+')

csv_ori = pd.read_csv(f_in, sep=",")

dst = []
for index in csv_ori.iterrows():
    print(index[1][1])
    re_csv = re.sub(reg, '', index[1][1])
    print(re_csv)
    dst.append([index[1][0],re_csv])
print(dst)

Hi
Hi
World
World
Hello
Hello
こんにちは

Python
Python
きょう

あゆむ

Sato
Sato
Flower
Flower
class
class
find
find
[[1, 'Hi'], [2, 'World'], [3, 'Hello'], [5, ''], [4, 'Python'], [2, ''], [1, ''], [3, 'Sato'], [5, 'Flower'], [4, 'class'], [3, 'find']]

正規表現　日本語　で検索したら最初にヒットしましたのでご参考まで。

正規表現で日本語を抽出する

[亜-熙ぁ-んァ-ヶ]+

同じデータから日本語を含むデータ以外をリストにするサンプルコード

import re
path_in = r'C:\workspace\Python\memo\test\'
file_in = r'test.csv'
reg = re.compile('[亜-熙ぁ-んァ-ヶ]+')

with open(path_in+file_in, "r",encoding="utf-8") as open_file:
    src = [line.split(',') for line in (open_file.read()).split("\n")]
print(src)

dst = []
for line in src:
    m = re.search(reg,line[1])
    if not m:
        dst.append(line)
print(dst)

[['user_id', 'comment'], ['1', 'Hi'], ['2', 'World'], ['3', 'Hello'], ['5', 'こんにちは'], ['4', 'Python'], ['2', 'きょう'], ['1', 'あゆむ'], ['3', 'Sato'], ['5', 'Flower'], ['4', 'class'], ['3', 'find']]
[['user_id', 'comment'], ['1', 'Hi'], ['2', 'World'], ['3', 'Hello'], ['4', 'Python'], ['3', 'Sato'], ['5', 'Flower'], ['4', 'class'], ['3', 'find']]