01 語法

基本語法如下，pd為導入Pandas模塊的別名： 

pd.read_csv(filepath_or_buffer: Union[str, pathlib.Path, IO[~AnyStr]],  
            sep=',', delimiter=None, header='infer', names=None, index_col=None,  
            usecols=None, squeeze=False, prefix=None, mangle_dupe_cols=True,  
            dtype=None, engine=None, converters=None, true_values=None,  
            false_values=None, skipinitialspace=False, skiprows=None,  
            skipfooter=0, nrows=None, na_values=None, keep_default_na=True,  
            na_filter=True, verbose=False, skip_blank_lines=True,  
            parse_dates=False, infer_datetime_format=False,  
            keep_date_col=False, date_parser=None, dayfirst=False,  
            cache_dates=True, iterator=False, chunksize=None,  
            compression='infer', thousands=None, decimal: str = '.',  
            lineterminator=None, quotechar='"', quoting=0,  
            doublequote=True, escapechar=None, comment=None,  
            encoding=None, dialect=None, error_bad_lines=True,  
            warn_bad_lines=True, delim_whitespace=False,  
            low_memory=True, memory_map=False, float_precision=None) 

一般情況下，會將讀取到的數(shù)據(jù)返回一個DataFrame，當然按照參數(shù)的要求會返回指定的類型。

02 數(shù)據(jù)內(nèi)容

filepath_or_buffer為第一個參數(shù)，沒有默認值，也不能為空，根據(jù)Python的語法，第一個參數(shù)傳參時可以不寫參數(shù)名。可以傳文件路徑： 

# 支持文件路徑或者文件緩沖對象  
# 本地相對路徑  
pd.read_csv('data/data.csv') # 注意目錄層級  
pd.read_csv('data.csv') # 如果文件與代碼文件在同一目錄下  
pd.read_csv('data/my/my.data') # CSV文件的擴展名不一定是.csv  
# 本地絕對路徑  
pd.read_csv('/user/gairuo/data/data.csv')  
# 使用URL  
pd.read_csv('https://www.gairuo.com/file/data/dataset/GDP-China.csv') 

需要注意的是，Mac中和Windows中路徑的寫法不一樣，上例是Mac中的寫法，Windows中的相對路徑和絕對路徑需要分別換成類似'data\data.csv'和'E: \data\data.csv'的形式。另外，路徑盡量不要使用中文，否則程序容易報錯，這意味著你存放數(shù)據(jù)文件的目錄要盡量用英文命名。

可以傳數(shù)據(jù)字符串，即CSV中的數(shù)據(jù)字符以字符串形式直接傳入： 

from io import StringIO  
data = ('col1,col2,col3\n'  
        'a,b,1\n'  
        'a,b,2\n'  
        'c,d,3')  
pd.read_csv(StringIO(data))  
pd.read_csv(StringIO(data), dtype=object) 

也可以傳入字節(jié)數(shù)據(jù)： 

from io import BytesIO  
data = (b'word,length\n'  
        b'Tr\xc3\xa4umen,7\n'  
        b'Gr\xc3\xbc\xc3\x9fe,5')  
pd.read_csv(BytesIO(data)) 

03 分隔符

sep參數(shù)是字符型的，代表每行數(shù)據(jù)內(nèi)容的分隔符號，默認是逗號，另外常見的還有制表符（\t）、空格等，根據(jù)數(shù)據(jù)的實際情況傳值。 

# 數(shù)據(jù)分隔符默認是逗號，可以指定為其他符號  
pd.read_csv(data, sep='\t') # 制表符分隔tab  
pd.read_table(data) # read_table 默認是制表符分隔tab  
pd.read_csv(data, sep='|') # 制表符分隔tab  
pd.read_csv(data,sep="(?<!a)\|(?!1)", engine='python') # 使用正則表達式 

pd.read_csv還提供了一個參數(shù)名為delimiter的定界符，這是一個備選分隔符，是sep的別名，效果和sep一樣。如果指定該參數(shù)，則sep參數(shù)失效。

04 表頭

header參數(shù)支持整型和由整型組成的列表，指定第幾行是表頭，默認會自動推斷把第一行作為表頭。 

pd.read_csv(data, header=0) # 第一行  
pd.read_csv(data, header=None) # 沒有表頭  
pd.read_csv(data, header=[0,1,3]) # 多層索引MultiIndex 

•  注意：如果skip_blank_lines=True，header參數(shù)將忽略空行和注釋行, 因此header=0表示第一行數(shù)據(jù)而非文件的第一行。

05 列名

names用來指定列的名稱，它是一個類似列表的序列，與數(shù)據(jù)一一對應。如果文件不包含列名，那么應該設(shè)置header=None，列名列表中不允許有重復值。 

pd.read_csv(data, names=['列1', '列2']) # 指定列名列表  
pd.read_csv(data, names=['列1', '列2'], header=None) 

06 索引

index_col用來指定索引列，可以是行索引的列編號或者列名，如果給定一個序列，則有多個行索引。Pandas不會自動將第一列作為索引，不指定時會自動使用以0開始的自然索引。 

# 支持int、str、int序列、str序列、False，默認為None  
pd.read_csv(data, index_col=False) # 不再使用首列作為索引  
pd.read_csv(data, index_col=0) # 第幾列是索引  
pd.read_csv(data, index_col='年份') # 指定列名  
pd.read_csv(data, index_col=['a','b']) # 多個索引  
pd.read_csv(data, index_col=[0, 3]) # 按列索引指定多個索引 

07 使用部分列

如果只使用數(shù)據(jù)的部分列，可以用usecols來指定，這樣可以加快加載速度并降低內(nèi)存消耗。 

# 支持類似列表的序列和可調(diào)用對象  
# 讀取部分列  
pd.read_csv(data, usecols=[0,4,3]) # 按索引只讀取指定列，與順序無關(guān)  
pd.read_csv(data, usecols=['列1', '列5']) # 按列名，列名必須存在  
# 指定列順序，其實是df的篩選功能  
pd.read_csv(data, usecols=['列1', '列5'])[['列5', '列1']]  
# 以下用callable方式可以巧妙指定順序，in后面的是我們要的順序  
pd.read_csv(data, usecols=lambda x: x.upper() in ['COL3', 'COL1']) 

08 返回序列

將squeeze設(shè)置為True，如果文件只包含一列，則返回一個Series，如果有多列，則還是返回DataFrame。 

# 布爾型，默認為False  
# 下例只取一列，會返回一個Series  
pd.read_csv(data, usecols=[0], squeeze=True)  
# 有兩列則還是df  
pd.read_csv(data, usecols=[0, 2], squeeze=True) 

09 表頭前綴

如果原始數(shù)據(jù)沒有列名，可以指定一個前綴加序數(shù)的名稱，如n0、n1，通過prefix參數(shù)指定前綴。 

# 格式為字符型str  
# 表頭為c_0、c_2  
pd.read_csv(data, prefix='c_', header=None) 

10 處理重復列名

如果該參數(shù)為True，當列名有重復時，解析列名將變?yōu)閄, X.1, …, X.N，而不是X, …, X。如果該參數(shù)為False，那么當列名中有重復時，前列將會被后列覆蓋。 

# 布爾型，默認為True  
data = 'a,b,a\n0,1,2\n3,4,5'  
pd.read_csv(StringIO(data), mangle_dupe_cols=True)  
# 表頭為a b a.1  
# False會報ValueError錯誤 

11 數(shù)據(jù)類型 

dtype可以指定各數(shù)據(jù)列的數(shù)據(jù)類型。  
# 傳入類型名稱，或者以列名為鍵、以指定類型為值的字典  
pd.read_csv(data, dtype=np.float64) # 所有數(shù)據(jù)均為此數(shù)據(jù)類型  
pd.read_csv(data, dtype={'c1':np.float64, 'c2': str}) # 指定字段的類型  
pd.read_csv(data, dtype=[datetime, datetime, str, float]) # 依次指定 

12 引擎

使用的分析引擎可以選擇C或Python。C語言的速度最快，Python語言的功能最為完善，一般情況下，不需要另行指定。 

# 格式為engine=None，其中可選值有{'c', 'python'}  
pd.read_csv(data, engine='c') 

13 列數(shù)據(jù)處理

使用converters參數(shù)對列的數(shù)據(jù)進行轉(zhuǎn)換，參數(shù)中指定列名與針對此列的處理函數(shù)，最終以字典的形式傳入，字典的鍵可以是列名或者列的序號。 

# 字典格式，默認為None  
data = 'x,y\na,1\nb,2'  
def foo(p):  
    return p+'s'  
# x應用函數(shù)，y使用lambda  
pd.read_csv(StringIO(data), converters={'x': foo,  
                                        'y': lambda x: x*3})  
# 使用列索引  
pd.read_csv(StringIO(data),  
            converters={0: foo, 1: lambda x: x*3}) 

14 真假值轉(zhuǎn)換

使用true_values和false_values將指定的文本內(nèi)容轉(zhuǎn)換為True或False，可以用列表指定多個值。 

# 列表，默認為None  
data = ('a,b,c\n1,Yes,2\n3,No,4')  
pd.read_csv(StringIO(data),  
            true_values=['Yes'], false_values=['No']) 

15 跳過指定行

如下跳過需要忽略的行數(shù)（從文件開始處算起）或需要忽略的行號列表（從0開始）： 

# 類似列表的序列或者可調(diào)用對象  
# 跳過前三行  
pd.read_csv(data, skiprows=2)  
# 跳過前三行  
pd.read_csv(data, skiprows=range(2))  
# 跳過指定行  
pd.read_csv(data, skiprows=[24,234,141])  
# 跳過指定行  
pd.read_csv(data, skiprows=np.array([2, 6, 11]))  
# 隔行跳過  
pd.read_csv(data, skiprows=lambda x: x % 2 != 0) 

尾部跳過，從文件尾部開始忽略，C引擎不支持。 

# int類型, 默認為0  
pd.read_csv(filename, skipfooter=1) # 最后一行不加載 

skip_blank_lines指定是否跳過空行，如果為True，則跳過空行，否則數(shù)據(jù)記為NaN。 

# 布爾型，默認為True  
# 不跳過空行  
pd.read_csv(data, skip_blank_lines=False) 

如果skip_blank_lines=True，header參數(shù)將忽略空行和注釋行, 因此header=0表示第一行數(shù)據(jù)而非文件的第一行。

16 讀取指定行

nrows參數(shù)用于指定需要讀取的行數(shù)，從文件第一行算起，經(jīng)常用于較大的數(shù)據(jù)，先取部分進行代碼編寫。 

# int類型，默認為None  
pd.read_csv(data, nrows=1000) 

17 空值替換

na_values參數(shù)的值是一組用于替換NA/NaN的值。如果傳參，需要指定特定列的空值。以下值默認會被認定為空值： 

['-1.#IND', '1.#QNAN', '1.#IND', '-1.#QNAN',  
 '#N/A N/A', '#N/A', 'N/A', 'n/a', 'NA',  
 '#NA', 'NULL', 'null', 'NaN', '-NaN',  
 'nan', '-nan', ''] 

使用na_values時需要關(guān)注下面keep_default_na的配合使用和影響： 

# 可傳入標量、字符串、類似列表序列和字典，默認為None  
# 5和5.0會被認為是NaN  
pd.read_csv(data, na_values=[5])  
# ?會被認為是NaN  
pd.read_csv(data, na_values='?')  
# 空值為NaN  
pd.read_csv(data, keep_default_na=False, na_values=[""])  
# 字符NA和字符0會被認為是NaN  
pd.read_csv(data, keep_default_na=False, na_values=["NA", "0"])  
# Nope會被認為是NaN 
pd.read_csv(data, na_values=["Nope"])  
# a、b、c均被認為是NaN，等于na_values=['a','b','c']  
pd.read_csv(data, na_values='abc')  
# 指定列的指定值會被認為是NaN  
pd.read_csv(data, na_values={'c':3, 1:[2,5]}) 

18 保留默認空值

分析數(shù)據(jù)時是否包含默認的NaN值，是否自動識別。如果指定na_values參數(shù)，并且 keep_default_na=False，那么默認的NaN將被覆蓋，否則添加。keep_default_na和na_values的關(guān)系見表3-2。

▼表3-2 keep_default_na和na_values的取值邏輯關(guān)系

•  說明：如果na_filter為False（默認為True），那么keep_default_na和na_values參數(shù)均無效。 

# 布爾型，默認為True  
# 不自動識別空值  
pd.read_csv(data, keep_default_na=False) 

na_filter為是否檢查丟失值（空字符串或空值）。對于大文件來說，數(shù)據(jù)集中沒有空值，設(shè)定na_filter=False可以提升讀取速度。 

# 布爾型，默認為True  
pd.read_csv(data, na_filter=False) # 不檢查 

19 日期時間解析

日期時間解析器參數(shù)date_parser用于解析日期的函數(shù)，默認使用dateutil.parser.parser來做轉(zhuǎn)換。

如果為某些或所有列啟用了parse_dates，并且datetime字符串的格式都相同，則通過設(shè)置infer_datetime_format=True，可以大大提高解析速度，pandas將嘗試推斷datetime字符串的格式，然后使用更快的方法解析字符串，從而將解析速度提高5～10倍。如果無法對整列做出正確的推斷解析，Pandas將返回到正常的解析模式。

下面是一些可自動推斷的日期時間字符串示例，它們都表示2020年12月30日00:00:00：

•  "20201230"
•  "2020/12/30"
•  "20201230 00:00:00"
•  "12/30/2020 00:00:00"
•  "30/Dec/2020 00:00:00"
•  "30/December/2020 00:00:00" 

# 解析時間的函數(shù)名，默認為None  
# 指定時間解析庫，默認是dateutil.parser.parser  
date_parser = pd.io.date_converters.parse_date_time 
date_parser = lambda x: pd.to_datetime(x, utc=True, format='%d%b%Y')  
date_parser = lambda d: pd.datetime.strptime(d, '%d%b%Y')  
# 使用  
pd.read_csv(data, parse_dates=['年份'], date_parserdate_parser=date_parser) 

parse_dates參數(shù)用于對時間日期進行解析。 

# 布爾型、整型組成的列表、列表組成的列表或者字典，默認為False  
pd.read_csv(data, parse_dates=True) # 自動解析日期時間格式  
pd.read_csv(data, parse_dates=['年份']) # 指定日期時間字段進行解析  
# 將第1、4列合并解析成名為“時間”的時間類型列  
pd.read_csv(data, parse_dates={'時間':[1,4]}) 

如果infer_datetime_format被設(shè)定為True并且parse_dates可用，那么Pandas將嘗試轉(zhuǎn)換為日期類型。 

# 布爾型，默認為False  
pd.read_csv(data, parse_dates=True, infer_datetime_format=True) 

如果用上文中的parse_dates參數(shù)將多列合并并解析成一個時間列，設(shè)置keep_date_col的值為True時，會保留這些原有的時間組成列；如果設(shè)置為False，則不保留這些列。 

# 布爾型，默認為False  
pd.read_csv(data, parse_dates=[[1, 2], [1, 3]], keep_date_col=True) 

對于DD/MM格式的日期類型，如日期2020-01-06，如果dayfirst=True，則會轉(zhuǎn)換成2020-06-01。 

# 布爾型，默認為False  
pd.read_csv(data, dayfirst=True, parse_dates=[0]) 

cache_dates如果為True，則使用唯一的轉(zhuǎn)換日期緩存來應用datetime轉(zhuǎn)換。解析重復的日期字符串，尤其是帶有時區(qū)偏移的日期字符串時，可能會大大提高速度。 

# 布爾型，默認為True  
pd.read_csv(data, cache_dates=False) 

20 文件處理

以下是一些對讀取文件對象的處理方法。iterator參數(shù)如果設(shè)置為True，則返回一個TextFileReader對象，并可以對它進行迭代，以便逐塊處理文件。 

# 布爾型，默認為False  
pd.read_csv(data, iterator=True)  
chunksize指定文件塊的大小，分塊處理大型CSV文件。  
# 整型，默認為None  
pd.read_csv(data, chunksize=100000)  
# 分塊處理大文件  
df_iterator = pd.read_csv(file, chunksize=50000)  
def process_dataframe(df):  
    pass  
    return processed_df  
for index,df_tmp in enumerate(df_iterator):  
    df_processed = process_dataframe(df_tmp)  
    if index > 0:  
       df_processed.to_csv(path)  
    else:  
       df_processed.to_csv(path, mode='a', header=False) 

compression（壓縮格式）用于對磁盤數(shù)據(jù)進行即時解壓縮。如果為“infer”，且filepath_or_buffer是以.gz、.bz2、.zip或.xz結(jié)尾的字符串，則使用gzip、bz2、zip或xz，否則不進行解壓縮。如果使用zip，則ZIP文件必須僅包含一個要讀取的數(shù)據(jù)文件。設(shè)置為None將不進行解壓縮。 

# 可選值有'infer'、'gzip'、'bz2'、'zip'、'xz'和None，默認為'infer'  
pd.read_csv('sample.tar.gz', compression='gzip') 

encoding（編碼）指定字符集類型，通常指定為'utf-8'。 

# 字符型，默認為None  
pd.read_csv('gairuo.csv', encoding='utf8')  
pd.read_csv("gairuo.csv",encoding="gb2312") # 常見中文 

21 符號

以下是對文件中的一些數(shù)據(jù)符號進行的特殊識別處理。如下設(shè)置千分位分隔符thousands： 

# 字符型，默認為None  
pd.read_csv('test.csv', thousands=',') # 逗號分隔 

小數(shù)點decimal，識別為小數(shù)點的字符。 

# 字符串，默認為'.'  
pd.read_csv(data, decimal=",") 

行結(jié)束符lineterminator，將文件分成幾行的字符，僅對C解析器有效。 

# 長度為1的字符串，默認為None  
data = 'a,b,c~1,2,3~4,5,6'  
pd.read_csv(StringIO(data), lineterminator='~') 

引號quotechar，用于表示引用數(shù)據(jù)的開始和結(jié)束的字符。引用的項目可以包含定界符，它將被忽略。 

# 長度為1的字符串  
pd.read_csv(file, quotechar='"') 

在csv模塊中，數(shù)據(jù)可能會用引號等字符包裹起來，quoting參數(shù)用來控制識別字段的引號模式，它可以是Python csv模塊中的csv.QUOTE_*常量，也可以傳入對應的數(shù)字。各個傳入值的意義如下。

•  0或csv.QUOTE_MINIMAL：僅特殊字段有引號。
•  1或csv.QUOTE_ALL：所有字段都有引號。
•  2或csv.QUOTE_NONNUMERIC：所有非數(shù)字字段都有引號。
•  3或csv.QUOTE_NONE：所有字段都沒有引號。

如果使用csv模塊，則需要事先引入csv模塊。 

# 整型或者csv.QUOTE_*實例, 默認為0  
import csv  
pd.read_csv('input_file.csv', quoting=csv.QUOTE_NONE) 

雙引號doublequote，當單引號已經(jīng)被定義，并且quoting參數(shù)不是QUOTE_NONE的時候，使用雙引號表示將引號內(nèi)的元素作為一個元素使用。 

# 布爾型，默認為True  
import csv  
pd.read_csv('data.csv', quotechar='"', doublequote=True, quoting=csv.QUOTE_NONNUMERIC) 

escapechar可以傳入一個轉(zhuǎn)義符，用于過濾數(shù)據(jù)中的該轉(zhuǎn)入符。比如，如果一行用雙引號包裹著的數(shù)據(jù)中有換行符，用以下代碼可以過濾其中的換行符。 

# 長度為1的轉(zhuǎn)義字符串，默認為None  
pd.read_csv(StringIO(data), escapechar='\n', encoding='utf-8') 

注釋標識comment，指示不應分析行的部分。如果在一行的開頭找到該標識，則將完全忽略該行。此參數(shù)必須是單個字符。像空行一樣（只要skip_blank_lines = True），注釋的行將被參數(shù)header忽略，而不是被skiprows忽略。例如，如果comment ='＃'，則解析header=0的'#empty \ na，b，c \ n1,2,3'會將'a，b，c'視為header。 

# 字符串，默認為None  
s = '# notes\na,b,c\n# more notes\n1,2,3'  
pd.read_csv(StringIO(s), sep=',', comment='#', skiprows=1) 

空格分隔符delim_whitespace，指定是否將空格（例如''或'\ t'）用作分隔符，等效于設(shè)置sep ='\s+'。如果此選項設(shè)置為True，則不應該為delimiter參數(shù)傳遞任何內(nèi)容。 

# 布爾型，默認為False  
pd.read_csv(StringIO(data), delim_whitespace=False) 

22 小結(jié)

通過本文的介紹，我們了解了讀取CSV文件的一些參數(shù)的功能，也了解了在讀取CSV文件時可以做一些初步的數(shù)據(jù)整理工作。