如题。

R

read_csv()

pandas可以将读取到的表格型数据（文件不一定要是表格）转成DataFrame类型的数据结构，然后我们可以通过操作DataFrame进行数据分析，数据预处理以及行和列的操作等。

功能：从文件、URL、文件新对象中加载带有分隔符的数据，默认分隔符是逗号。

read_csv(filepath_or_buffer, 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, 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,iterator=False, chunksize=None, compression=’infer’, thousands=None, decimal=’.’, lineterminator=None,quotechar=’”‘, quoting=0, escapechar=None, comment=None, encoding=None, dialect=None, tupleize_cols=False,error_bad_lines=True, warn_bad_lines=True, skipfooter=0, skip_footer=0, doublequote=True,delim_whitespace=False, as_recarray=False, compact_ints=False, use_unsigned=False, low_memory=True,buffer_lines=None, memory_map=False, float_precision=None)

返回参数

返回参数 : DataFrame or TextParser

DataFrame：二维标记数据结构

列可以是不同的数据类型，是最常用的pandas对象，如同Series对象一样接受多种输入：lists/dicts/Series/DataFrame。

ceshi.csv 参数

,c1,c2,c3
a,0,5,10
b,1,6,11
c,2,7,12
d,3,8,13
e,4,9,14

import pandas as pd
obj=pd.read_csv('ceshi.csv')
print obj
print type(obj)
print obj.dtypes
 Unnamed: 0  c1  c2  c3
0          a   0   5  10
1          b   1   6  11
2          c   2   7  12
3          d   3   8  13
4          e   4   9  14
<class 'pandas.core.frame.DataFrame'>
Unnamed: 0    object
c1             int64
c2             int64
c3             int64
dtype: object

代码将有列索引但没有行索引的数据，read_csv会自动添加上行索引（即使原数据有行索引）。
read_csv读取的数据类型为Dataframe
obj.dtypes可以查看每列的数据类型

传递参数

filepath_or_buffer ：
    字符串，或者任何对象的read()方法。这个字符串可以是URL，有效的URL方案包括http、ftp、s3和文件。可以直接写入"文件名.csv"
header :
    将行号用作列名，且是数据的开头。注意当skip_blank_lines=True时，这个参数忽略注释行和空行。所以header=0表示第一行是数据而不是文件的第一行。
parse_dates ：
    布尔类型值 or int类型值的列表 or 列表的列表 or 字典（默认值为 FALSE）
        TRUE：则尝试解析索引
        由int类型值组成的列表(例子 [1,2,3]):作为单独数据列，分别解析原始文件中的1,2,3列
        由列表组成的列表（例子[[1,3]]）:将1,3列合并，作为一个单列进行解析
        字典（例子{‘foo’：[1, 3]}）:解析1,3列作为数据，并命名为foo
index_col:
    int类型值，序列，FALSE（默认 None）
    将真实的某列当做index（列的数目，甚至列名）

当 header = None

即指明原始文件数据没有列索引，这样read_csv为自动加上列索引，除非你给定列索引的名字。

obj_2=pd.read_csv('f:/ceshi.csv',header=None,names=range(2,5))
print obj_2

    2   3   4
0  c1  c2  c3
1   0   5  10
2   1   6  11
3   2   7  12
4   3   8  13
5   4   9  14

header=0

表示文件第0行（即第一行，索引从0开始）为列索引，这样加names会替换原来的列索引。

obj_2=pd.read_csv('f:/ceshi.csv',header=0,names=range(2,5))
print obj_2

   2  3   4
0  0  5  10
1  1  6  11
2  2  7  12
3  3  8  13
4  4  9  14

index_col用法

obj_2=pd.read_csv('ceshi.csv',index_col=0)
print obj_2

   c1  c2  c3
a   0   5  10
b   1   6  11
c   2   7  12
d   3   8  13
e   4   9  14

obj_2=pd.read_csv('ceshi.csv',index_col=[0,2])
print obj_2

     c1  c3
  c2        
a 5    0  10
b 6    1  11
c 7    2  12
d 8    3  13
e 9    4  14

index_col为指定数据中那一列作为Dataframe的行索引，也可以可指定多列，形成层次索引，默认为None,即不指定行索引，这样系统会自动加上行索引。