Панды читают csv, не читая файл должным образом. Не разбивается на правильные столбцы

Итак, я пытаюсь прочитать этот набор данных из Kaggle.

https://www.kaggle.com/gmadevs/atp-matches-dataset#atp_matches_2016.csv

Для этого я использую функцию read_csv pandas, но она не разделяет столбцы должным образом. Я пробовал этот код

df_2016 = pd.read_csv("Path/to/file/atp_matches_2016.csv")


Распечатанный кадр данных дает мне это, хотя

tourney_id... l_bpFaced
2016-M020 Brisbane Hard 32.0 A 20160104.0 300.0 105683.0 4.0 NaN Milos Raonic R 196.0 CAN 25.021218 14.0 2170.0 103819.0 1.0 NaN Roger Federer... NaN
299.0 103819.0 1.0 NaN Roger Federer R 185.0 SUI 34.406571 3.0 8265.0 106233.0 8.0 NaN Dominic Thiem... NaN
298.0 105683.0 4.0 NaN Milos Raonic R 196.0 CAN 25.021218 14.0 2170.0 106071.0 7.0 NaN Bernard Tomic... NaN
297.0 103819.0 1.0 NaN Roger Federer R 185.0 SUI 34.406571 3.0 8265.0 105777.0 NaN NaN Grigor Dimitrov... NaN
296.0 106233.0 8.0 NaN Dominic Thiem R NaN AUT 22.335387 20.0 1600.0 105227.0 3.0 NaN Marin Cilic... NaN


Почему возникают проблемы с разделением столбцов?

Я ожидаю результат этого, который я получил за каждый год, кроме 2016 и 2017 по какой-то причине.

tourney_id tourney_name surface... l_SvGms l_bpSaved l_bpFaced
0 2015-329 Tokyo Hard... 10.0 2.0 5.0
1 2015-329 Tokyo Hard... 13.0 12.0 19.0
2 2015-329 Tokyo Hard... 18.0 9.0 11.0
3 2015-329 Tokyo Hard... 13.0 4.0 8.0
4 2015-329 Tokyo Hard... 10.0 1.0 5.0


Фактический CSV-файл выглядит в хорошем состоянии и в том же формате, что и в другие годы. Я также пытался указать столбцы с помощью параметра columns в функции read_csv, но это дает мне тот же результат.

Решение проблемы

Самый безопасный способ, который я могу придумать, - дважды прочитать csv:

rows = pd.read_csv('path/to/atp_matches_2016.csv', skiprows=[0], header = None)
# skip header line
rows = rows.dropna(axis=1, how='all')
# drop columns that only have NaNs
rows.columns = pd.read_csv('path/to/atp_matches_2016.csv', nrows=0).columns
print(rows.head(5))


Выход:

tourney_id tourney_name surface draw_size tourney_level tourney_date \
0 2016-M020 Brisbane Hard 32.0 A 20160104.0
1 2016-M020 Brisbane Hard 32.0 A 20160104.0
2 2016-M020 Brisbane Hard 32.0 A 20160104.0
3 2016-M020 Brisbane Hard 32.0 A 20160104.0
4 2016-M020 Brisbane Hard 32.0 A 20160104.0
match_num winner_id winner_seed winner_entry... w_bpFaced l_ace l_df \
0 300.0 105683.0 4.0 NaN... 1.0 7.0 3.0
1 299.0 103819.0 1.0 NaN... 1.0 2.0 4.0
2 298.0 105683.0 4.0 NaN... 4.0 10.0 3.0
3 297.0 103819.0 1.0 NaN... 1.0 8.0 2.0
4 296.0 106233.0 8.0 NaN... 2.0 11.0 2.0
l_svpt l_1stIn l_1stWon l_2ndWon l_SvGms l_bpSaved l_bpFaced
0 61.0 34.0 25.0 14.0 10.0 3.0 5.0
1 55.0 31.0 18.0 9.0 8.0 2.0 6.0
2 84.0 54.0 41.0 16.0 12.0 2.0 2.0
3 104.0 62.0 46.0 21.0 16.0 8.0 11.0
4 98.0 52.0 41.0 27.0 15.0 7.0 8.0