怎么使用Pandas進(jìn)行數(shù)據(jù)讀取

本文小編為大家詳細(xì)介紹“怎么使用Pandas進(jìn)行數(shù)據(jù)讀取”，內(nèi)容詳細(xì)，步驟清晰，細(xì)節(jié)處理妥當(dāng)，希望這篇“怎么使用Pandas進(jìn)行數(shù)據(jù)讀取”文章能幫助大家解決疑惑，下面跟著小編的思路慢慢深入，一起來(lái)學(xué)習(xí)新知識(shí)吧。

使用pandas進(jìn)行數(shù)據(jù)讀取，最常讀取的數(shù)據(jù)格式如下：

NO數(shù)據(jù)類型說(shuō)明使用方法1csv, tsv, txt可以讀取純文本文件pd.read_csv2excel可以讀取.xls .xlsx 文件pd.read_excel3mysql讀取關(guān)系型數(shù)據(jù)庫(kù)pd.read_sql

pd.read_csv

pandas對(duì)純文本的讀取提供了非常強(qiáng)力的支持，參數(shù)有四五十個(gè)。這些參數(shù)中，有的很容易被忽略，但是在實(shí)際工作中卻用處很大。pd.read_csv() 的格式如下：

read_csv(
	reader: FilePathOrBuffer, *, 
	sep: str = ..., 
	delimiter: str | None = ..., 
	header: int | Sequence[int] | str = ..., 
	names: Sequence[str] | None = ..., 
	index_col: int | str | Sequence | Literal[False] | None = ..., 
	usecols: int | str | Sequence | None = ..., 
	squeeze: bool = ..., 
	prefix: str | None = ..., 
	mangle_dupe_cols: bool = ..., 
	dtype: str | Mapping[str, Any] | None = ..., 
	engine: str | None = ..., 
	converters: Mapping[int | str, (*args, **kwargs) -> Any] | None = ..., 
	true_values: Sequence[Scalar] | None = ..., 
	false_values: Sequence[Scalar] | None = ..., 
	skipinitialspace: bool = ..., 
	skiprows: Sequence | int | (*args, **kwargs) -> Any | None = ..., 
	skipfooter: int = ..., nrows: int | None = ..., na_values=..., 
	keep_default_na: bool = ..., na_filter: bool = ..., 
	verbose: bool = ..., skip_blank_lines: bool = ..., 
	parse_dates: bool | List[int] | List[str] = ..., 
	infer_datetime_format: bool = ..., 
	keep_date_col: bool = ..., 
	date_parser: (*args, **kwargs) -> Any | None = ..., 
	dayfirst: bool = ..., cache_dates: bool = ..., 
	iterator: Literal[True], 
	chunksize: int | None = ..., 
	compression: str | None = ..., 
	thousands: str | None = ..., 
	decimal: str | None = ..., 
	lineterminator: str | None = ..., 
	quotechar: str = ..., 
	quoting: int = ..., 
	doublequote: bool = ..., 
	escapechar: str | None = ..., 
	comment: str | None = ..., 
	encoding: str | None = ..., 
	dialect: str | None = ..., 
	error_bad_lines: bool = ..., 
	warn_bad_lines: bool = ..., 
	delim_whitespace: bool = ..., 
	low_memory: bool = ..., 
	memory_map: bool = ..., 
	float_precision: str | None = ...)

1. FilePathOrBuffer

可以是文件路徑，可以是網(wǎng)頁(yè)上的文件，也可以是文件對(duì)象，實(shí)例如下：

# 文件路徑讀取
file_path=r"E:\VSCODE\2_numpy_pandas\pandas\Game_Data.csv"
f_df = pd.read_csv(file_path,sep=",|:|;",engine="python",header=0,encoding='gbk')
print(f_df)

# 網(wǎng)頁(yè)上的文件讀取
f_df = pd.read_csv("http://localhost/data.csv")

# 文件對(duì)象讀取
f = open(r"E:\VSCODE\2_numpy_pandas\pandas\Game_Data.csv", encoding="gbk")
f_df = pd.read_csv(f)

2. sep

讀取csv文件時(shí)指定的分隔符，默認(rèn)為逗號(hào)。注意：“csv文件的分隔符” 和 “我們讀取csv文件時(shí)指定的分隔符” 一定要一致。多個(gè)分隔符時(shí)，應(yīng)該使用 | 將不同的分隔符隔開(kāi)；例如：

f_df = pd.read_csv(file_path,sep=":|;",engine="python",header=0)

3. delim_whitespace（不常用）

所有的空白字符，都可以用此來(lái)作為間隔，該值默認(rèn)為False， 若我們將其更改為 True 則所有的空白字符：空格，\t, \n 等都會(huì)被當(dāng)做分隔符；和sep功能相似；

4. header 和 names

這兩個(gè)功能相輔相成，header 用來(lái)指定列名，例如header =0，則指定第一行為列名；若header =1 則指定第二行為列名；有時(shí)，我們的數(shù)據(jù)里沒(méi)有列名，只有數(shù)據(jù)，這時(shí)候就需要names=[], 來(lái)指定列名；詳細(xì)說(shuō)明如下：

csv文件有表頭并且是第一行，那么names和header都無(wú)需指定;csv文件有表頭、但表頭不是第一行，可能從下面幾行開(kāi)始才是真正的表頭和數(shù)據(jù)，這個(gè)時(shí)候指定header即可;csv文件沒(méi)有表頭，全部是純數(shù)據(jù)，那么我們可以通過(guò)names手動(dòng)生成表頭;csv文件有表頭、但是這個(gè)表頭你不想用，這個(gè)時(shí)候同時(shí)指定names和header。先用header選出表頭和數(shù)據(jù)，然后再用names將表頭替換掉，其實(shí)就等價(jià)于將數(shù)據(jù)讀取進(jìn)來(lái)之后再對(duì)列名進(jìn)行rename;

舉例如下：

names 沒(méi)有被賦值，header 也沒(méi)賦值：

file_path=r"E:\VSCODE\2_numpy_pandas\pandas\Game_Data.csv"
df=pd.read_csv(file_path,sep=",|:|;",engine="python",header=0,encoding='gbk')
print(df)
# 我們說(shuō)這種情況下，header為變成0，即選取文件的第一行作為表頭

names 沒(méi)有被賦值，header 被賦值：

pd.read_csv(file_path,sep=",|:|;",engine="python",header=1,encoding='gbk')
# 不指定names，指定header為1，則選取第二行當(dāng)做表頭，第二行下面的是數(shù)據(jù)

names 被賦值，header 沒(méi)有被賦值

pd.read_csv(file_path,sep=",|:|;",engine="python",encoding='gbk',names=["編號(hào)", "英雄", "游戲", "發(fā)行日期"])

names適用于沒(méi)有表頭的情況，指定names沒(méi)有指定header，那么header相當(dāng)于None。一般來(lái)說(shuō)，讀取文件會(huì)有一個(gè)表頭的，一般是第一行，但是有的文件只是數(shù)據(jù)而沒(méi)有表頭，那么這個(gè)時(shí)候我們就可以通過(guò)names手動(dòng)指定、或者生成表頭，而文件里面的數(shù)據(jù)則全部是內(nèi)容。所以這里"編號(hào)", “角色”, “源于”, “發(fā)行日” 也當(dāng)成是一條記錄了，本來(lái)它是表頭的，但是我們指定了names，所以它就變成數(shù)據(jù)了，表頭是我們?cè)趎ames里面指定的

names和header都被賦值：

pd.read_csv(file_path,sep=",|:|;",engine="python",encoding='gbk',names=["編號(hào)", "英雄", "游戲", "發(fā)行日期"],header=0)

這個(gè)相當(dāng)于先不看names，只看header，我們說(shuō)header等于0代表什么呢？顯然是把第一行當(dāng)做表頭，下面的當(dāng)成數(shù)據(jù)，好了，然后再把表頭用names給替換掉。

5. index_col

我們?cè)谧x取文件之后，生成的 DataFrame 的索引默認(rèn)是0 1 2 3…，我們當(dāng)然可以 set_index，但是也可以在讀取的時(shí)候就指定某個(gè)列為索引。

pd.read_csv(file_path,engine="python",encoding='gbk',header=0,index_col="角色")

這里指定 “name” 作為索引，另外除了指定單個(gè)列，還可以指定多個(gè)列，比如 [“id”, “name”]。并且我們除了可以輸入列的名字之外，還可以輸入對(duì)應(yīng)的索引。比如：“id”、“name”、“address”、“date” 對(duì)應(yīng)的索引就分別是0、1、2、3。

6. usecols

如果列有很多，而我們不想要全部的列、而是只要指定的列就可以使用這個(gè)參數(shù)。

pd.read_csv(file_path,encoding='gbk',usecols=["角色", "發(fā)行日"])

同 index_col 一樣，除了指定列名，也可以通過(guò)索引來(lái)選擇想要的列，比如：usecols=[1, 3] 也會(huì)選擇 “角色” 和 “發(fā)行日” 兩列，因?yàn)?“角色” 這一列對(duì)應(yīng)的索引是 1、“發(fā)行日” 對(duì)應(yīng)的索引是 3。

此外 use_cols 還有一個(gè)比較好玩的用法，就是接收一個(gè)函數(shù)，會(huì)依次將列名作為參數(shù)傳遞到函數(shù)中進(jìn)行調(diào)用，如果返回值為真，則選擇該列，不為真，則不選擇。

# 選擇列名的長(zhǎng)度等于 3 的列，顯然此時(shí)只會(huì)選擇 發(fā)行日 這一列
pd.read_csv(file_path,encoding='gbk',usecols=lambda x:len(x)==3)

7. mangle_dupe_cols

實(shí)際生產(chǎn)用的數(shù)據(jù)會(huì)很復(fù)雜，有時(shí)導(dǎo)入的數(shù)據(jù)會(huì)含有重名的列。參數(shù) mangle_dupe_cols 默認(rèn)為 True，重名的列導(dǎo)入后面多一個(gè) .1。如果設(shè)置為 False，會(huì)拋出不支持的異常：

# ValueError: Setting mangle_dupe_cols=False is not supported yet

8. prefix

prefix 參數(shù)，當(dāng)導(dǎo)入的數(shù)據(jù)沒(méi)有 header 時(shí)，設(shè)置此參數(shù)會(huì)自動(dòng)加一個(gè)前綴。比如：

pd.read_csv(file_path,encoding='gbk',header=None,prefix="角色")

9. dtype

有時(shí)候，工作人員的id都是以0開(kāi)頭的，比如0100012521，這是一個(gè)字符串。但是在讀取的時(shí)候解析成整型了，結(jié)果把開(kāi)頭的0給丟了。這個(gè)時(shí)候我們就可以通過(guò)dtype來(lái)指定某個(gè)列的類型，就是告訴pandas：你在解析的時(shí)候不要自以為是，直接按照老子指定的類型進(jìn)行解析就可以了，我不要你覺(jué)得，我要我覺(jué)得。

df=pd.read_csv(file_path,encoding='gbk',dtype={"編號(hào)": str})df["編號(hào)"]=df["編號(hào)"]*4

10. engine

pandas解析數(shù)據(jù)時(shí)用的引擎，pandas 目前的解析引擎提供兩種：c、python，默認(rèn)為 c，因?yàn)?c 引擎解析速度更快，但是特性沒(méi)有 python 引擎全。如果使用 c 引擎沒(méi)有的特性時(shí)，會(huì)自動(dòng)退化為 python 引擎。

比如使用分隔符進(jìn)行解析，如果指定分隔符不是單個(gè)字符、或者"\s+“，那么c引擎就無(wú)法解析了。我們知道如果分隔符為空白字符的話，那么可以指定delim_whitespace=True，但是也可以指定sep=r”\s+"。

df=pd.read_csv(file_path,encoding='gbk',dtype={"編號(hào)": str})
df["編號(hào)"]=df["編號(hào)"]*4

我們看到雖然自動(dòng)退化，但是彈出了警告，這個(gè)時(shí)候需要手動(dòng)的指定engine="python"來(lái)避免警告。這里面還用到了encoding參數(shù)，這個(gè)后面會(huì)說(shuō)，因?yàn)橐嬉坏┩嘶?，在Windows上不指定會(huì)讀出亂碼。這里我們看到sep是可以支持正則的，但是說(shuō)實(shí)話sep這個(gè)參數(shù)都會(huì)設(shè)置成單個(gè)字符，原因是讀取的csv文件的分隔符是單個(gè)字符。

11. converters

可以在讀取的時(shí)候?qū)α袛?shù)據(jù)進(jìn)行變換：

pd.read_csv(file_path,encoding='gbk', converters={<!--{cke_protected}{C}%3C!%2D%2D%20%2D%2D%3E-->"編號(hào)": lambda x: int(x) + 10})

將id增加10，但是注意 int(x)，在使用converters參數(shù)時(shí)，解析器默認(rèn)所有列的類型為 str，所以需要顯式類型轉(zhuǎn)換。

12. true_values和false_value

指定哪些值應(yīng)該被清洗為True，哪些值被清洗為False。

pd.read_csv(file_path,encoding='gbk',true_values=["林克","奎托斯","褪色者","葦名弦一羊"],false_values=["馬里奧"])

注意這里的替換規(guī)則，只有當(dāng)某一列的數(shù)據(jù)全部出現(xiàn)在true_values + false_values里面，才會(huì)被替換。例如執(zhí)行以下內(nèi)容，不會(huì)發(fā)生變化；

pd.read_csv(file_path,encoding='gbk',true_values=["林克"],false_values=["馬里奧"])

13. skiprows

skiprows 表示過(guò)濾行，想過(guò)濾掉哪些行，就寫(xiě)在一個(gè)列表里面?zhèn)鬟f給skiprows即可。注意的是：這里是先過(guò)濾，然后再確定表頭，比如：

pd.read_csv(file_path,encoding='gbk',skiprows=[0])

我們把第一行過(guò)濾掉了，但是第一行是表頭，所以過(guò)濾掉之后，第二行就變成表頭了。如果過(guò)濾掉第二行，那么只相當(dāng)于少了一行數(shù)據(jù)，但是表頭還是原來(lái)的第一行。

當(dāng)然里面除了傳入具體的數(shù)值，來(lái)表明要過(guò)濾掉哪些行，還可以傳入一個(gè)函數(shù)。

pd.read_csv(file_path,encoding='gbk',skiprows=lambda x:x>0 and x%2==1)

由于索引從0開(kāi)始，凡是索引2等于1的記錄都過(guò)濾掉。索引大于0，是為了保證表頭不被過(guò)濾掉。

14. skipfooter

從文件末尾過(guò)濾行，解析引擎退化為 Python。這是因?yàn)?C 解析引擎沒(méi)有這個(gè)特性。

pd.read_csv(file_path,encoding='gbk',skipfooter=2)

如果不想報(bào)以上的Warning, 可以將Engine 指定為Python, 如下：

skipfooter接收整型，表示從結(jié)尾往上過(guò)濾掉指定數(shù)量的行，因?yàn)橐嫱嘶癁閜ython，那么要手動(dòng)指定engine=“python”，不然會(huì)警告。

15. nrows

nrows 參數(shù)設(shè)置一次性讀入的文件行數(shù)，它在讀入大文件時(shí)很有用，比如 16G 內(nèi)存的PC無(wú)法容納幾百 G 的大文件。

pd.read_csv(file_path,encoding='gbk',nrows=4)

很多時(shí)候我們只是想看看大文件內(nèi)部的字段長(zhǎng)什么樣子，所以這里通過(guò)nrows指定讀取的行數(shù)。

16. na_values

na_values 參數(shù)可以配置哪些值需要處理成 NaN，這個(gè)是非常常用的。

pd.read_csv(file_path,encoding='gbk',na_values=['馬里奧','戰(zhàn)神'])

我們看到將 ‘馬里奧’ 和 ‘戰(zhàn)神’ 設(shè)置成了NaN，當(dāng)然我們這里不同的列，里面包含的值都是不相同的。但如果兩個(gè)列中包含相同的值，而我們只想將其中一個(gè)列的值換成NaN該怎么做呢？通過(guò)字典實(shí)現(xiàn)只對(duì)指定的列進(jìn)行替換。以下的例子可以看到，戰(zhàn)神并沒(méi)有被替換成NaN, 因?yàn)樵诮巧餂](méi)有這個(gè)值；/

pd.read_csv(file_path,encoding='gbk',na_values={<!--{cke_protected}{C}%3C!%2D%2D%20%2D%2D%3E-->"角色":['馬里奧','戰(zhàn)神'],'編號(hào)':[2]})

17. keep_default_na

我們知道，通過(guò) na_values 參數(shù)可以讓 pandas 在讀取 CSV 的時(shí)候?qū)⒁恍┲付ǖ闹堤鎿Q成空值，但除了 na_values 指定的值之外，還有一些默認(rèn)的值也會(huì)在讀取的時(shí)候被替換成空值，這些值有： “-1.#IND”、“1.#QNAN”、“1.#IND”、“-1.#QNAN”、“#N/A N/A”、“#N/A”、“N/A”、“NA”、“#NA”、“NULL”、“NaN”、“-NaN”、“nan”、“-nan”、“” 。盡管這些值在 CSV 中的表現(xiàn)形式是字符串，但是 pandas 在讀取的時(shí)候會(huì)替換成空值（真正意義上的 NaN）。不過(guò)有些時(shí)候我們不希望這么做，比如有一個(gè)具有業(yè)務(wù)含義的字符串恰好就叫 “NA”，那么再將它替換成空值就不對(duì)了。

這個(gè)時(shí)候就可以將 keep_default_na 指定為 False，默認(rèn)為 True，如果指定為 False，那么 pandas 在讀取時(shí)就不會(huì)擅自將那些默認(rèn)的值轉(zhuǎn)成空值了，它們?cè)?CSV 中長(zhǎng)什么樣，pandas 讀取出來(lái)之后就還長(zhǎng)什么樣，即使單元格中啥也沒(méi)有，那么得到的也是一個(gè)空字符串。但是注意，我們上面介紹的 na_values 參數(shù)則不受此影響，也就是說(shuō)即便 keep_default_na 為 False，na_values 參數(shù)指定的值也依舊會(huì)被替換成空值。舉個(gè)栗子，假設(shè)某個(gè) CSV 中存在 “NULL”、“NA”、以及空字符串，那么默認(rèn)情況下，它們都會(huì)被替換成空值。但 “NA” 是具有業(yè)務(wù)含義的，我們希望保留原樣，而 “NULL” 和空字符串，我們還是希望 pandas 在讀取的時(shí)候能夠替換成空值，那么此時(shí)就可以在指定 keep_default_na 為 False 的同時(shí)，再指定 na_values 為 ["NULL", ""]

18. na_filter

是否進(jìn)行空值檢測(cè)，默認(rèn)為 True，如果指定為 False，那么 pandas 在讀取 CSV 的時(shí)候不會(huì)進(jìn)行任何空值的判斷和檢測(cè)，所有的值都會(huì)保留原樣。因此，如果你能確保一個(gè) CSV 肯定沒(méi)有空值，則不妨指定 na_filter 為 False，因?yàn)楸苊饬丝罩禉z測(cè)，可以提高大型文件的讀取速度。另外，該參數(shù)會(huì)屏蔽 keep_default_na 和 na_values，也就是說(shuō)，當(dāng) na_filter 為 False 的時(shí)候，這兩個(gè)參數(shù)會(huì)失效。

從效果上來(lái)說(shuō)，na_filter 為 False 等價(jià)于：不指定 na_values、以及將 keep_default_na 設(shè)為 False。

19. skip_blank_lines

skip_blank_lines 默認(rèn)為 True，表示過(guò)濾掉空行，如為 False 則解析為 NaN。

20. parse_dates

指定某些列為時(shí)間類型，這個(gè)參數(shù)一般搭配下面的date_parser使用。

21. date_parser

是用來(lái)配合parse_dates參數(shù)的，因?yàn)橛械牧须m然是日期，但沒(méi)辦法直接轉(zhuǎn)化，需要我們指定一個(gè)解析格式：

from datetime import datetime
pd.read_csv(file_path,encoding='gbk',parse_dates=['發(fā)行日'],date_parser=lambda x:datetime.strptime(x,'%Y/%m/%d'))

22. infer_datetime_format

infer_datetime_format 參數(shù)默認(rèn)為 False。如果設(shè)定為 True 并且 parse_dates 可用，那么 pandas 將嘗試轉(zhuǎn)換為日期類型，如果可以轉(zhuǎn)換，轉(zhuǎn)換方法并解析，在某些情況下會(huì)快 5~10 倍。

23. iterator

iterator 為 bool類型，默認(rèn)為False。如果為True，那么返回一個(gè) TextFileReader 對(duì)象，以便逐塊處理文件。這個(gè)在文件很大、內(nèi)存無(wú)法容納所有數(shù)據(jù)文件時(shí)，可以分批讀入，依次處理。

df=pd.read_csv(file_path,encoding='gbk',iterator=True)
display(df.get_chunk(2))

"""
	編號(hào)	角色	源于	發(fā)行日
0	1	馬里奧	超級(jí)馬里奧：奧德賽	2017/10/27
1	2	林克	塞爾達(dá)傳說(shuō)：荒野之息	2017/3/3
"""

print(chunk.get_chunk(1))
"""
編號(hào)	角色	源于	發(fā)行日
2	3	奎托斯	戰(zhàn)神	2018/4/20
"""

# 文件還剩下三行，但是我們指定讀取10，那么也不會(huì)報(bào)錯(cuò)，不夠指定的行數(shù)，那么有多少返回多少
print(chunk.get_chunk(10))
"""
編號(hào)	角色	源于	發(fā)行日
3	4	褪色者	埃爾登法環(huán)	2022/2/25
4	5	葦名弦一羊	只狼	2019/3/22
"""

try:
    # 但是在讀取完畢之后，再讀的話就會(huì)報(bào)錯(cuò)了
    chunk.get_chunk(5)
except StopIteration as e:
    print("讀取完畢")
# 讀取完畢

24. chunksize

chunksize 整型，默認(rèn)為 None，設(shè)置文件塊的大小。

chunk = pd.read_csv(file_path, sep="\t", chunksize=2)
# 還是返回一個(gè)類似于迭代器的對(duì)象
# 調(diào)用get_chunk，如果不指定行數(shù)，那么就是默認(rèn)的chunksize
print(chunk.get_chunk())
"""
編號(hào)	角色	源于	發(fā)行日
0	1	馬里奧	超級(jí)馬里奧：奧德賽	2017/10/27
1	2	林克	塞爾達(dá)傳說(shuō)：荒野之息	2017/3/3
"""

# 但也可以指定
print(chunk.get_chunk(100))
"""
編號(hào)	角色	源于	發(fā)行日
2	3	奎托斯	戰(zhàn)神	2018/4/20
3	4	褪色者	埃爾登法環(huán)	2022/2/25
4	5	葦名弦一羊	只狼	2019/3/22
"""

try:
    chunk.get_chunk(5)
except StopIteration as e:
    print("讀取完畢")
# 讀取完畢

25. compression

compression 參數(shù)取值為 {‘infer’, ‘gzip’, ‘bz2’, ‘zip’, ‘xz’, None}，默認(rèn) ‘infer’，這個(gè)參數(shù)直接支持我們使用磁盤(pán)上的壓縮文件。

# 直接將上面的.csv添加到壓縮文件，打包成game_data.zip
pd.read_csv('game_data.zip', compression="zip",encoding='gbk')

26. thousands

千分位分割符，如 , 或者 .，默認(rèn)為None。

27. encoding

encoding 指定字符集類型，通常指定為 ‘utf-8’。根據(jù)情況也可能是’ISO-8859-1’，本文中所有的encoding='gbk' ，主要原因?yàn)椋何业臄?shù)據(jù)是用Excel 保存成.CSV的，默認(rèn)的編碼格式為GBK；

28. error_bad_lines和warn_bad_lines

如果一行包含過(guò)多的列，假設(shè)csv的數(shù)據(jù)有5列，但是某一行卻有6個(gè)數(shù)據(jù)，顯然數(shù)據(jù)有問(wèn)題。那么默認(rèn)情況下不會(huì)返回DataFrame，而是會(huì)報(bào)錯(cuò)。

我們?cè)谀骋恍兄卸嗉恿艘粋€(gè)數(shù)據(jù)，結(jié)果顯示錯(cuò)誤。因?yàn)間irl.csv里面有5列，但是有一行卻有6個(gè)數(shù)據(jù)，所以報(bào)錯(cuò)。

在小樣本讀取時(shí)，這個(gè)錯(cuò)誤很快就能發(fā)現(xiàn)。但是如果樣本比較大、并且由于數(shù)據(jù)集不可能那么干凈，會(huì)很容易出現(xiàn)這種情況，那么該怎么辦呢？而且這種情況下，Excel基本上是打不開(kāi)這么大的文件的。這個(gè)時(shí)候我們就可以將error_bad_lines設(shè)置為False(默認(rèn)為True)，意思是遇到這種情況，直接把這一行給我扔掉。同時(shí)會(huì)設(shè)置 warn_bad_lines 設(shè)置為True，打印剔除的這行。

pd.read_csv(file_path,encoding='gbk',error_bad_lines=False, warn_bad_lines=True)

以上兩參數(shù)只能在C解析引擎下使用。

讀到這里，這篇“怎么使用Pandas進(jìn)行數(shù)據(jù)讀取”文章已經(jīng)介紹完畢，想要掌握這篇文章的知識(shí)點(diǎn)還需要大家自己動(dòng)手實(shí)踐使用過(guò)才能領(lǐng)會(huì)，如果想了解更多相關(guān)內(nèi)容的文章，歡迎關(guān)注億速云行業(yè)資訊頻道。