ImportError:没有名为dateutil.parser的模块

在Python程序中导入pandas时，我收到以下错误

monas-mbp:book mona$sudo-pip-install-python-dateutil
已满足要求（使用--upgrade升级）：python dateutil in/System/Library/Frameworks/python.framework/Versions/2.7/Extras/lib/python
清理。。。
MonasMBP:BookMona$pythont1.py
没有名为dateutil.parser的模块
回溯（最近一次呼叫最后一次）：
文件“t1.py”，第4行，in&lt；模块&gt；
作为pd进口熊猫
文件“/Library/Python/2.7/site packages/pandas/_init__uuuu.py”，第6行，in&lt；模块&gt；
从…起导入哈希表、tslib、lib
文件“tslib.pyx”，第31行，在init pandas.tslib（pandas/tslib.c:48782）中
ImportError:没有名为dateutil.parser的模块

以下是节目：

导入编解码器
从数学导入sqrt
将numpy作为np导入
作为pd进口熊猫
用户={“安吉丽卡”：{“蓝调旅行者”：3.5，“断铃”：2.0，
“诺拉·琼斯”：4.5，“凤凰城”：5.0，
“有点驼背”：1.5，
“中风”：2.5，“吸血鬼周末”：2.0}，
《比尔》：{“蓝调旅行者”：2.0，“断铃”：3.5，
“死神”5:4.0，“凤凰”2.0，
“稍微驼背”：3.5，“吸血鬼周末”：3.0}，
“陈”:{“蓝调旅行家”:5.0,”断铃”:1.0,，
“死神5”：1.0，“诺拉·琼斯”：3.0，“凤凰城”：5，
“稍微驼背”：1.0}，
“丹”：{“蓝调旅行者”：3.0，“断铃”：4.0，
“死亡5”：4.5，“凤凰城”：3.0，
“略微驼背”：4.5，“笔划”：4.0，
“吸血鬼周末”：2.0}，
“Hailey”：{“断铃”：4.0，“死亡之魔”：1.0，
“诺拉·琼斯”：4.0，“笔划”：4.0，
“吸血鬼周末”：1.0}，
“Jordyn”：{“断铃”：4.5，“死亡之魔”：4.0，
“诺拉·琼斯”：5.0，“凤凰城”：5.0，
“略微驼背”：4.5，“笔划”：4.0，
“吸血鬼周末”：4.0}，
“山姆”：{“蓝调旅行者”：5.0，“断铃”：2.0，
“诺拉·琼斯”：3.0，“凤凰城”：5.0，
“略微驼背”：4.0，“笔划”：5.0}，
《维罗妮卡》：{《蓝调旅行者》：3.0，“诺拉·琼斯”：5.0，
“凤凰”：4.0，“略显驼背”：2.5，
“笔划”：3.0}
}
课程推荐人：
定义初始化（self，data，k=1，metric=’pearson’，n=5）：
“”“初始化推荐程序”
当前，如果数据是字典，则推荐程序将初始化
去吧。
对于所有其他数据类型的数据，不进行初始化
k是k最近邻的k值
公制是要使用的距离公式
n是要提出的建议的最大数量“”
self.k=k
self.n=n
self.username2id={}
self.userid2name={}
self.productid2name={}
#出于某种原因，我想保存度量的名称
self.metric=公制
如果self.metric==“pearson”：
self.fn=self.pearson
#
#如果数据是字典，则为其设置推荐数据
#
如果类型（数据）。\uuuu名称\uuuuu==’dict’：
self.data=数据
def convertProductID2name（自身，id）：
“”“给定产品id号返回产品名称”“”
如果id位于self.productid2name中：
返回self.productid2name[id]
其他：
返回id
def用户等级（自我、id、n）：
“”“返回id为的用户的n个最高评级”“”
打印（“对“+self.userid2name[id]”的评级）
评级=自我数据[id]
印刷品（透镜（评级））
评级=列表（ratings.items（））
评级=[（self.convertProductID2name（k），v）
对于（k，v）评级]
#最后排序并返回
ratings.sort（key=lambda artistTuple:artistTuple[1]，
反向=真）
评级=评级[：n]
对于评级中的评级：
打印（“%s\t%i”%（评级[0]，评级[1]））
def loadBookDB（自身，路径=“”）：
“”“加载BX书本数据集。路径是BX文件所在的位置。”
位于“”
self.data={}
i=0
#
#首先将书本评级加载到self.data中
#
f=编解码器.open（路径+“BX图书评级.csv”，“r”，“utf8”）
对于f中的行：
i+=1
#将行分隔为字段
字段=行。拆分（“；”）
用户=字段[0]。条带（“”）
book=字段[1]。条带（“”）
rating=int（字段[2].strip（）.strip（“”））
如果用户在self.data中：
电流额定值=自身数据[用户]
其他：
电流额定值={}
当前额定值[账面]=额定值
self.data[用户]=当前额定值
f、 关闭（）
#
#现在将书籍加载到self.productid2name中
#书籍包含isbn、标题和作者等领域
#
f=编解码器.open（路径+“BX Books.csv”，“r”，“utf8”）
对于f中的行：
i+=1
#将行分隔为字段
字段=行。拆分（“；”）
isbn=字段[0]。条带（“”）
title=字段[1]。条带（“”）
author=字段[2]。strip（）.strip（“”）
标题=标题+作者
self.productid2name[isbn]=标题
f、 关闭（）
#
#现在将用户信息加载到self.userid2name和
#self.username2id
#
f=编解码器.open（路径+“BX Users.csv”，“r”，“utf8”）
对于f中的行：
i+=1
#打印（行）
#将行分隔为字段
字段=行。拆分（“；”）
userid=字段[0]。条带（“”）
位置=字段[1]。条带（“”）
if len（字段）&gt；三：
年龄=字段[2].strip（）.strip（“”）
其他：
年龄=’NULL’
如果年龄！=“NULL”：
值=位置+’（年龄：’+age+’）’
其他：
值=位置
self.userid2name[userid]=值
self.username2id[location]=userid
f、 关闭（）
印刷品（一）
def pearson（自我、评级1、评级2）：
sum_xy=0
求和x=0
和y=0
sum_x2=0
求和y2=0
n=0
对于输入评级1：
如果输入额定值2：
n+=1
x=额定值1[键]
y=额定值2[键]
sum_xy+=x*y
和x+=x
和y+=y
sum_x2+=pow（x，2）
总和y2+=pow（y，2）
如果n==0：
返回0
#现在计算分母
分母=（sqrt（sum_x2-pow（sum_x，2）/n）
*sqrt（总和y2-功率（总和y，2）/n））
如果分母==0：
返回0
其他：
返回（sum_xy-（sum_x*sum_y）/n）/分母
def ComputeNeareTneighbor（自我，用户名）：
“”“根据用户到的距离创建已排序的用户列表。”
用户名“”
距离=[]
例如，在self.data中：
如果实例！=用户名：
距离=self.fn（self.data[用户名]，
self.data[实例]）
距离。追加（（实例，距离））
#基于距离排序–最接近的优先
距离.sort（key=lambda artistTuple:artistTuple[1]，
反向=真）
返回距离
def推荐（自我、用户）：
“”“提供建议列表”“”
建议={}
#首先获取按邻近度排序的用户列表
最近的=self.computeNearestNeighbor（用户）
#
#现在获取用户的评分
#
userRatings=self.data[user]
#
#确定总距离
总距离=0.0
对于范围内的i（self.k）：
总距离+=最近的[i][1]
#现在遍历k个最近邻
#累积他们的收视率
对于范围内的i（self.k）：
#计算饼片
重量=最近的[i][1]/总距离
#获取此人的姓名
name=最近的[i][0]
#获取此人的评分
neightrratings=self.data[name]
#获取此人的姓名
#现在找到用户没有找到的
对于邻居中的艺术家：
如果用户评级中没有艺术家：
如果艺术家不在推荐范围内：
推荐[艺术家]=（邻居[艺术家]
*重量）
其他：
推荐[艺术家]=（推荐[艺术家]
+邻居[艺术家]
*重量）
#现在从字典中列出清单
建议=列表（建议.items（））
建议=[（self.convertProductID2name（k），v）
对于建议中的（k，v）]
#最后排序并返回
建议.sort（key=lambda artistTuple:artistTuple[1]，
反向=真）
#返回前n个项目
返回建议[：self.n]
r=推荐人（用户）
#作者实现了
r、 loadBookDB（’/Users/mona/Downloads/BX Dump/’））
ratings=pd.read\u csv（’/Users/danialt/BX csv Dump/BX Book ratings.csv’，sep=“；”，quotechar=“\”，escapechar=“\\”）
books=pd.read\u csv（’/Users/danialt/BX csv Dump/BX books.csv’，sep=“；”，quotechar=“\”，escapechar=“\\”）
users=pd.read\u csv（’/users/danialt/BX csv Dump/BX users.csv’，sep=“；”，quotechar=“\”，escapechar=“\\”）
pivot\u rating=ratings.pivot（索引=’User-ID’，列=’ISBN’，值=’Book-rating’）