别再为读取 CSV 文件发愁!pandas 实用技巧全解析

liuian 2025-03-11 18:02 24 浏览

在数据处理与分析领域，Python 的 pandas 库是极为强大的工具，而读取 CSV 文件是其常见且基础的操作。熟练掌握 pandas 读取 CSV 文件的技巧，能极大提升数据处理的效率与准确性。下面为你详细总结相关知识点。

一、安装与导入

若尚未安装 pandas 库，可通过命令pip install pandas进行安装。安装完成后，在 Python 代码中导入 pandas 库，一般采用import pandas as pd的方式，后续就可以通过pd来调用 pandas 的函数。

二、基本读取操作

使用pd.read_csv()函数读取 CSV 文件，例如df = pd.read_csv('data.csv')，这行代码会将名为data.csv的文件读取到一个 pandas 的 DataFrame 对象df中，DataFrame 是 pandas 用于存储和处理表格型数据的主要数据结构。

以下面的表格信息为例（表格数据比较多，只显示部分数据）

示例代码：

import pandas as pd
data = pd.read_csv('data.csv') # 这里使用一个公开的示例数据集，也可以更换成本地的数据表
print(data.head())

运行结果（因数据量较大，仅展示前几行）：

   id    产品名称  一月销售额（元）  二月销售额（元）  ...  四月销售额（元）  五月销售额（元）  六月销售额（元）  总计销售额（元）
0   1  纯棉 T 恤      5000      6000  ...      7000      6500      8000     38000
1   2  无线蓝牙耳机      4000      4500  ...      4800      5200      5500     29000
2   3   智能保温杯      3500      3800  ...      4000      4500      4800     24800
3   4    运动背包      6000      6500  ...      7500      8000      8500     43500
4   5    护眼台灯      2800      3000  ...      3500      3800      4000     20300

三、常见参数详解

sep参数：用于指定 CSV 文件中的字段分隔符，默认是逗号','。如果文件使用其他分隔符，如制表符'\t'，则需要指定sep参数，如pd.read_csv('data.tsv', sep='\t') 。

示例代码：

import pandas as pd
# 假设我们有一个制表符分隔的文件（这里使用公开数据集示例转化为制表符分隔示意）
data = pd.read_csv('data.csv', sep=',')
data.to_csv('tips.tsv', sep='\t', index=False)
new_data = pd.read_csv('tips.tsv', sep='\t')
print(new_data.head())

运行结果（因数据量较大，仅展示前几行）：

   id    产品名称  一月销售额（元）  二月销售额（元）  ...  四月销售额（元）  五月销售额（元）  六月销售额（元）  总计销售额（元）
0   1  纯棉 T 恤      5000      6000  ...      7000      6500      8000     38000
1   2  无线蓝牙耳机      4000      4500  ...      4800      5200      5500     29000
2   3   智能保温杯      3500      3800  ...      4000      4500      4800     24800
3   4    运动背包      6000      6500  ...      7500      8000      8500     43500
4   5    护眼台灯      2800      3000  ...      3500      3800      4000     20300

header参数：用于指定哪一行作为列名，默认值为0，即第一行作为列名。若文件没有列名，可设置header=None，并通过names参数手动指定列名，如pd.read_csv('data.csv', header=None, names=['col1', 'col2', 'col3']) 。

示例代码：

import pandas as pd
# 去掉列名
data = pd.read_csv('data.csv', header=None)  # 这里的data.csv需要删掉标题行，即列名那行
new_data = pd.read_csv('data.csv', header=None, names=['id','七月', '八月','九月','十月', '十一月', '十二月','总销售额'])
print(new_data.head())

运行结果（因数据量较大，仅展示前几行）：

   id    产品名称    七月    八月    九月    十月   十一月   十二月   总销售额
0   1  纯棉 T 恤  5000  6000  5500  7000  6500  8000  38000
1   2  无线蓝牙耳机  4000  4500  5000  4800  5200  5500  29000
2   3   智能保温杯  3500  3800  4200  4000  4500  4800  24800
3   4    运动背包  6000  6500  7000  7500  8000  8500  43500
4   5    护眼台灯  2800  3000  3200  3500  3800  4000  20300

index_col参数：可以指定某一列作为 DataFrame 的索引列。例如pd.read_csv('data.csv', index_col='id')，会将名为id的列设置为索引。

示例代码：

import pandas as pd
data = pd.read_csv('data.csv', index_col='id')
print(data.head())

运行结果（因数据量较大，仅展示前几行）：

      产品名称  一月销售额（元）  二月销售额（元）  ...  五月销售额（元）  六月销售额（元）  总计销售额（元）
id                              ...                              
1   纯棉 T 恤      5000      6000  ...      6500      8000     38000
2   无线蓝牙耳机      4000      4500  ...      5200      5500     29000
3    智能保温杯      3500      3800  ...      4500      4800     24800
4     运动背包      6000      6500  ...      8000      8500     43500
5     护眼台灯      2800      3000  ...      3800      4000     20300

usecols参数：用于选择需要读取的列，可传入列名列表。如pd.read_csv('data.csv', usecols=['col1', 'col3'])，只会读取col1和col3两列的数据。

示例代码：

import pandas as pd
data = pd.read_csv('data.csv', usecols=['total_bill', 'tip'])
print(data.head())

运行结果（因数据量较大，仅展示前几行）：

   id    产品名称  一月销售额（元）
0   1  纯棉 T 恤      5000
1   2  无线蓝牙耳机      4000
2   3   智能保温杯      3500
3   4    运动背包      6000
4   5    护眼台灯      2800

skiprows参数：可以跳过指定数量的行。若文件开头有一些说明性行不需要读取，可使用pd.read_csv('data.csv', skiprows=3)跳过前 3 行。还有一种情况是要保留原标题行，跳过下面的2行，可以使用pd.read_csv('data.csv', skiprows=[1,2])，这样就可以保留标题行（索引为0），跳过第2，3行（索引为1，2）。

示例代码1：

import pandas as pd
# 假设前3行是说明行
data = pd.read_csv('data.csv', skiprows=3, header=None)
print(data.head())

运行结果（因数据量较大，仅展示前几行）：

   0        1     2     3     4     5     6     7      8
0  3    智能保温杯  3500  3800  4200  4000  4500  4800  24800
1  4     运动背包  6000  6500  7000  7500  8000  8500  43500
2  5     护眼台灯  2800  3000  3200  3500  3800  4000  20300
3  6  家用扫地机器人  4500  4800  5200  5000  5500  5800  30800
4  7     电动牙刷  3200  3400  3600  3800  4000  4200  22200

示例代码2：

import pandas as pd
# 假设前3行是说明行
data = pd.read_csv('data.csv', skiprows=[1, 2])
print(data.head())

运行结果（因数据量较大，仅展示前几行）：

   id     产品名称  一月销售额（元）  二月销售额（元）  ...  四月销售额（元）  五月销售额（元）  六月销售额（元）  总计销售额（元）
0   3    智能保温杯      3500      3800  ...      4000      4500      4800     24800
1   4     运动背包      6000      6500  ...      7500      8000      8500     43500
2   5     护眼台灯      2800      3000  ...      3500      3800      4000     20300
3   6  家用扫地机器人      4500      4800  ...      5000      5500      5800     30800
4   7     电动牙刷      3200      3400  ...      3800      4000      4200     22200

na_values参数：在读取 CSV 文件时，可通过na_values参数指定自定义的缺失值表示。例如pd.read_csv('data.csv', na_values=['-', 'unknown'])，文件中出现-和unknown的地方都会被识别为缺失值。

示例代码：

import pandas as pd
# 假设数据中用'-'表示缺失值
data = pd.read_csv('data.csv')
new_data = pd.read_csv('data.csv', na_values='纯棉 T 恤')
print(new_data.head())

运行结果（因数据量较大，仅展示前几行）：

   id    产品名称  一月销售额（元）  二月销售额（元）  ...  四月销售额（元）  五月销售额（元）  六月销售额（元）  总计销售额（元）
0   1     NaN      5000      6000  ...      7000      6500      8000     38000
1   2  无线蓝牙耳机      4000      4500  ...      4800      5200      5500     29000
2   3   智能保温杯      3500      3800  ...      4000      4500      4800     24800
3   4    运动背包      6000      6500  ...      7500      8000      8500     43500
4   5    护眼台灯      2800      3000  ...      3500      3800      4000     20300

dtype参数：默认情况下，pandas 会自动推断每列的数据类型，但有时推断不准确。此时可使用dtype参数手动指定列的数据类型，如pd.read_csv('data.csv', dtype={'col1': 'int64', 'col2': 'float64'}) 。

示例代码：

import pandas as pd
data = pd.read_csv('data.csv', dtype={'id': 'int32'})
print(data.dtypes)

运行结果：

id           int32
产品名称        object
一月销售额（元）     int64
二月销售额（元）     int64
三月销售额（元）     int64
四月销售额（元）     int64
五月销售额（元）     int64
六月销售额（元）     int64
总计销售额（元）     int64
dtype: object

四、处理大型文件

对于大型 CSV 文件，一次性读取可能导致内存不足，此时可使用分块读取的方式。通过chunksize参数指定每个数据块的大小，例如：

import pandas as pd
for chunk in pd.read_csv('data.csv', chunksize=50):
 print(chunk.shape)

运行结果（展示每个数据块的形状）：

(50, 9)
(31, 9)

五、处理编码问题

如果读取的 CSV 文件存在编码问题，可通过encoding参数指定编码格式。例如，若文件是 UTF - 8 编码，可使用pd.read_csv('data.csv', encoding='utf-8') 。常见的编码格式还有'gbk'、'latin1'等，需根据文件实际编码情况选择。

示例代码：

import pandas as pd
# 假设文件是utf-8编码（这里使用的公开示例数据一般是utf-8编码）
data = pd.read_csv('data.csv', encoding='utf-8')
print(data.head())

运行结果（因数据量较大，仅展示前几行）：

   id    产品名称  一月销售额（元）  二月销售额（元）  ...  四月销售额（元）  五月销售额（元）  六月销售额（元）  总计销售额（元）
0   1  纯棉 T 恤      5000      6000  ...      7000      6500      8000     38000
1   2  无线蓝牙耳机      4000      4500  ...      4800      5200      5500     29000
2   3   智能保温杯      3500      3800  ...      4000      4500      4800     24800
3   4    运动背包      6000      6500  ...      7500      8000      8500     43500
4   5    护眼台灯      2800      3000  ...      3500      3800      4000     20300

掌握 pandas 读取 CSV 文件的这些知识点，无论是小型数据集的快速处理，还是大型复杂数据集的高效读取，都能应对自如，为后续的数据清洗、分析和可视化等工作打下坚实基础。

dataframe取特定几列