Python中读写文件的read_csv()

### 使用 Pandas 库读取 CSV 文件 `pandas.read_csv()` 函数能够读取 CSV（逗号分隔值）文件、文本类型的文件 text 和 log 类型到 DataFrame 中[^1]。此函数属于 Pandas 库的一部分，该库支持多种文件格式的读写操作，如 csv、txt、json 等，在实际应用中以 CSV 文件最为常见[^3]。 #### 基本语法 以下是 `read_csv` 的基本调用方式： ```python import pandas as pd df = pd.read_csv('file_path.csv') ``` 这段代码会创建一个名为 df 的 DataFrame 对象，其中包含了来自指定路径 file_path.csv 的数据[^2]。 #### 处理不同分隔符 除了默认情况下处理以逗号作为字段间分隔符的标准 CSV 文件外，还可以通过 sep 参数来定义其他形式的分隔符。例如，当面对使用制表符 (\t) 或者竖线 (|) 进行分割的数据集时，则可如下设置: ```python # 制表符分隔 df_tab_separated = pd.read_csv('tab-separated-file.tsv', sep='\t') # 竖线分隔 df_pipe_separated = pd.read_csv('pipe-separated-values.txt', sep='|') ``` #### 设置列名 如果希望自定义列名称而不是采用原始文件中的首行作为列标签的话，可以通过 names 参数传递一个新的列表给它；而 header=None 表示忽略源文件里的任何现有头部信息。 ```python custom_columns_df = pd.read_csv( 'data_without_headers.csv', names=['ColumnA', 'ColumnB', 'ColumnC'], header=None ) ``` #### 跳过特定行数 有时可能需要跳过某些开头或结尾处不想要的内容，skiprows 可帮助实现这一点。比如要略去前两行记录，只需这样做即可： ```python skipped_rows_df = pd.read_csv('sample_data.csv', skiprows=2) ``` #### 控制缺失值标记 na_values 参数允许用户指定哪些字符串应该被识别为空缺值(NaN)，这对于清理脏乱不堪的数据非常有用。 ```python handling_missing_values_df = pd.read_csv( 'messy_dataset.csv', na_values=['NA', '?'] ) ``` 以上就是一些常见的配置选项介绍，当然还有更多高级特性等待探索。对于更详细的说明以及完整的参数列表，请参阅官方文档获取最新最全的信息。