CSV 文件读写

CSV：最通用的表格文本格式

CSV（Comma-Separated Values，逗号分隔值）用纯文本存储表格：每行一条记录，字段之间用逗号隔开。打开任意一个 CSV 文件，你会看到：

姓名,年龄,城市
张三,25,北京
李四,30,上海

第一行是表头，后面每行是一条数据。它简单、通用，Excel 能打开，数据库能导出，各种编程语言都能处理，是数据交换的事实标准。

pandas 读写 CSV 就两个函数：读用 pd.read_csv()，写用 df.to_csv()。

第一次读取：read_csv

import pandas as pd

df = pd.read_csv("数据.csv")
print(df)

一行代码，CSV 就变成了 DataFrame。pandas 会自动完成三件事：

• 推断分隔符（默认逗号）
• 把第一行当作列名（表头）
• 为数据生成默认的 RangeIndex

想验证读取结果，用 df.head() 看前几行，或 df.info() 看列名、行数、dtype 总览。

分隔符 sep：不只是逗号

CSV 的分隔符不一定是逗号。Windows 导出的中文数据常用制表符，欧洲数据常用分号。用 sep 指定：

df = pd.read_csv("数据.tsv", sep="\t")     # 制表符分隔
df = pd.read_csv("数据.txt", sep=";")       # 分号分隔

sep 不传时，pandas 默认按逗号解析；遇到其他分隔符会解析出错或变成一列，这时显式指定 sep 就好。delimiter 是 sep 的别名，效果一样。

为了下面的例子不依赖真实文件，我们用 StringIO 把字符串伪装成文件：

from io import StringIO

csv_data = """姓名,年龄,城市
张三,25,北京
李四,30,上海
"""
df = pd.read_csv(StringIO(csv_data))
print(df)

表头 header 与列名 names

默认第一行是表头。如果文件没有表头，传 header=None，pandas 会生成 0、1、2 这样的默认列名：

csv_data = """张三,25,北京
李四,30,上海
"""
df = pd.read_csv(StringIO(csv_data), header=None)
print(df.columns)   # Index([0, 1, 2], dtype='int64')

想让列名更可读，用 names 指定：

df = pd.read_csv(StringIO(csv_data), header=None,
                 names=["姓名", "年龄", "城市"])
print(df)

还可以用 header=0 显式声明”第一行是表头”（默认行为），配合 names 可以覆盖文件里的原始列名：

df = pd.read_csv(StringIO(csv_data2), header=0,
                 names=["name", "age", "city"])

索引列 index_col

默认情况下，CSV 没有索引列，读进来是 RangeIndex。如果文件第一列本身是 ID，可以用 index_col 把它设为行索引：

csv_data = """编号,姓名,分数
S001,张三,85
S002,李四,92
"""
df = pd.read_csv(StringIO(csv_data), index_col=0)
print(df)

输出里”编号”变成了索引名，不再是一列数据。

有个特殊值 index_col=False：当文件每行末尾多了一个分隔符（比如 张三,25,北京,），pandas 可能误把第一列当索引。传 False 可以强制不做推断，直接生成 RangeIndex。

缺失值标记 na_values

CSV 里表示”没有数据”的方式五花八门：空字符串、NA、NULL、N/A、NaN……pandas 默认认识一大串常见标记（空串、NA、NULL、NaN、N/A 等），会自动转成 NaN。

数据源用了别的标记，用 na_values 补充：

csv_data = """姓名,分数
张三,85
李四,缺考
"""
df = pd.read_csv(StringIO(csv_data), na_values=["缺考", "未统计"])
print(df)

“缺考”和”未统计”会被当作缺失值。默认标记仍然生效，na_values 是追加。

想彻底重来，用 keep_default_na=False 关掉默认标记，只认你指定的：

df = pd.read_csv(StringIO(csv_data), keep_default_na=False,
                 na_values=["缺考"])

其他高频参数

再记几个常用的，都放在一个例子里：

df = pd.read_csv("数据.csv",
                 usecols=["姓名", "分数"],   # 只读这两列
                 dtype={"分数": "float64"},  # 强制列类型
                 skiprows=1,                 # 跳过前 1 行
                 nrows=100,                  # 只读前 100 行
                 encoding="utf-8")           # 指定编码

逐个说明：

• usecols：只读指定列，省内存、省时间
• dtype：字典指定每列类型，避免自动推断出错（比如”001”被读成 1）
• skiprows：跳过开头若干行（文件前面有说明文字时很管用）
• nrows：大数据先读几行看看结构
• encoding：中文文件经常是 gbk 编码，乱码时试试 encoding="gbk"

日期列可以配 parse_dates：pd.read_csv("数据.csv", parse_dates=["日期"]) 会自动把日期列转成 datetime64 类型。数字里的千分位逗号（1,234）可以用 thousands="," 处理。

编码：中文乱码怎么办

CSV 文件本身不记录编码信息。Windows 上 Excel 导出的中文 CSV 常用 gbk 编码，直接按默认的 utf-8 读，轻则乱码，重则直接报 UnicodeDecodeError：

df = pd.read_csv("中文数据.csv", encoding="gbk")

拿不准编码时，可以加 errors="replace" 兜底——解析不了的字符替换成占位符，程序至少不崩：

df = pd.read_csv("中文数据.csv", encoding="gbk", errors="replace")

写文件同理：to_csv(encoding="utf-8") 写出的文件，用 Excel 双击打开可能乱码（Excel 默认按 gbk 猜）。要么写入时用 gbk，要么在 Excel 里用”数据 → 从文本/CSV”导入并手动选 utf-8。

直接读 URL 和压缩文件

read_csv 的路径参数很宽容：支持 http(s) 链接，也支持压缩文件，压缩格式按扩展名自动识别（.gz、.bz2、.zip、.xz），不用手动解压：

df = pd.read_csv("https://example.com/data.csv")   # 远程 URL
df = pd.read_csv("data.csv.gz")                    # gzip 压缩
df = pd.read_csv("data.zip")                       # zip 压缩

读远程文件要注意网络可能慢、可能失败，高频访问的接口建议先下载到本地缓存。压缩文件的好处是省磁盘、省流量，读取速度反而更快（解压是 C 级别的，很快）。

写出：to_csv

to_csv 的用法和 read_csv 对称：

df.to_csv("输出.csv")                     # 基本写法
df.to_csv("输出.csv", index=False)        # 不写行索引（最常见）

index=False 是你最该记住的参数。 默认情况下，to_csv 会把行索引也写进去，生成一个多余的 index 列。绝大多数场景你都不想要它。

再看一组参数：

df.to_csv("输出.csv",
          index=False,            # 不写索引
          columns=["姓名", "分数"],  # 只写这两列
          sep=";",                # 分号分隔
          na_rep="缺失",           # 缺失值写成"缺失"
          encoding="utf-8",       # 编码
          float_format="%.2f")    # 浮点数保留两位

• columns：只导出指定列
• na_rep：NaN 在文件里的表示，默认空串
• float_format：控制浮点数的格式
• mode="a"：追加模式，把数据接到文件末尾（默认是 w 覆盖）

写完再读回来验证，是养成习惯的好方法：

df2 = pd.read_csv("输出.csv")
print(df2.head())

小结

• read_csv 读文件，to_csv 写文件，两者参数一一对应
• 分隔符用 sep：逗号、制表符、分号都能处理
• 表头用 header 控制，自定义列名用 names
• 索引列用 index_col，index_col=False 对付畸形文件
• 缺失标记用 na_values 追加、keep_default_na=False 重置
• usecols、dtype、skiprows、nrows、encoding 是高频搭配
• 中文乱码先试 encoding="gbk"；URL 和压缩文件直接读
• 写文件记得 index=False，多半你不需要索引列

下一节读 Excel 文件，参数和 CSV 大同小异，但多了一个”sheet”的概念。