数据读写

本节定位

很多新人第一次学 read_csv() 时，会觉得：

• 这不就是把文件读进来吗？

但真实分析里，很多问题其实就从“读进来”这一步开始了：

• 编码不对
• 分隔符不对
• 表头识别错了
• 日期没被解析成日期

所以这节最重要的不是记参数，而是先建立一个判断：

读数据不是机械导入，而是在确认“这张表有没有被正确读成你以为的样子”。

学习目标

• 掌握 CSV 文件的读取和写入
• 了解 Excel、JSON 等格式的读写
• 学会常用参数配置
• 了解大文件的分块读取技巧

---

先建立一张地图

数据读写更适合按“先读进来，再确认读对了没有”来理解：

所以这节真正想解决的是：

• 数据怎样进来
• 读进来后第一时间该检查什么

读取 CSV 文件

CSV（Comma-Separated Values）是数据分析中最常用的文件格式。

一个更适合新人的总类比

你可以把数据读写理解成：

• 把外面的文件搬进你的分析工作台

这一步最怕的不是“搬不进来”，而是：

• 搬进来了，但格式已经变样

比如：

• 日期还只是字符串
• 中文变乱码
• 第一行其实不是表头，却被当成表头

基本读取

import pandas as pd

# 读取 CSV 文件
df = pd.read_csv("titanic_sample.csv")
print(df.head())       # 看前 5 行
print(df.shape)        # 行列数
print(df.info())       # 列信息

就这一行，Pandas 自动完成了：

• 识别表头（第一行作为列名）
• 推断每列的数据类型
• 生成行索引（0, 1, 2, ...）

常用参数

# 指定分隔符（有些文件用 tab 或分号分隔）
df = pd.read_csv("data.tsv", sep="\t")         # tab 分隔
df = pd.read_csv("data.csv", sep=";")          # 分号分隔

# 指定编码（中文文件常见问题）
df = pd.read_csv("chinese_data.csv", encoding="utf-8")
df = pd.read_csv("chinese_data.csv", encoding="gbk")     # 某些 Windows 导出的文件

# 没有表头的文件
df = pd.read_csv("no_header.csv", header=None)
df = pd.read_csv("no_header.csv", header=None, names=["col1", "col2", "col3"])

# 指定某列为索引
df = pd.read_csv("data.csv", index_col="id")
df = pd.read_csv("data.csv", index_col=0)      # 用第一列做索引

# 只读取部分列
df = pd.read_csv("data.csv", usecols=["Name", "Age", "Fare"])

# 只读取前 100 行
df = pd.read_csv("data.csv", nrows=100)

# 指定缺失值标记
df = pd.read_csv("data.csv", na_values=["NA", "N/A", "missing", "-"])

# 指定数据类型
df = pd.read_csv("data.csv", dtype={"Age": float, "Pclass": str})

参数速查表

参数	作用	示例
sep	分隔符	sep="\t"
encoding	编码	encoding="utf-8"
header	表头行号	header=None
names	自定义列名	names=["a","b"]
index_col	索引列	index_col="id"
usecols	读取部分列	usecols=["Name","Age"]
nrows	读取行数	nrows=100
skiprows	跳过行数	skiprows=5
na_values	缺失值标记	na_values=["NA","-"]
dtype	指定类型	dtype={"Age": float}
parse_dates	解析日期列	parse_dates=["date"]

第一次读一个新文件时，最稳的默认顺序

更稳的顺序通常是：

1. 先直接读进来
2. 先看 shape
3. 再看 head()
4. 再看 info()
5. 发现不对，再回头补参数

这样会比一开始就把所有参数都写满更容易看清问题。

---

写入 CSV 文件

# 基本写入
df.to_csv("output.csv")

# 不保存索引（通常推荐）
df.to_csv("output.csv", index=False)

# 指定编码
df.to_csv("output.csv", index=False, encoding="utf-8-sig")  # Excel 友好的 UTF-8

# 指定分隔符
df.to_csv("output.tsv", index=False, sep="\t")

中文 CSV 在 Excel 中乱码？

保存时使用 encoding="utf-8-sig"（带 BOM 头的 UTF-8），Excel 就能正确显示中文了。

---

读写 Excel 文件

# 读取 Excel（需要 openpyxl 库：pip install openpyxl）
df = pd.read_excel("data.xlsx")

# 读取指定工作表
df = pd.read_excel("data.xlsx", sheet_name="Sheet2")
df = pd.read_excel("data.xlsx", sheet_name=1)      # 按索引

# 读取所有工作表（返回字典）
all_sheets = pd.read_excel("data.xlsx", sheet_name=None)
for name, sheet_df in all_sheets.items():
    print(f"工作表 {name}: {sheet_df.shape}")

# 写入 Excel
df.to_excel("output.xlsx", index=False)

# 写入多个工作表
with pd.ExcelWriter("output.xlsx") as writer:
    df1.to_excel(writer, sheet_name="销售数据", index=False)
    df2.to_excel(writer, sheet_name="用户数据", index=False)

---

读写 JSON 文件

# 读取 JSON
df = pd.read_json("data.json")

# 不同的 JSON 格式
# records 格式：[{"name": "张三", "age": 22}, {...}]
df = pd.read_json("data.json", orient="records")

# 写入 JSON
df.to_json("output.json", orient="records", force_ascii=False, indent=2)
# force_ascii=False：保持中文不转义
# indent=2：格式化输出

---

处理大文件：分块读取

当文件太大无法一次性载入内存时，可以分块读取：

# 分块读取：每次读 1000 行
chunks = pd.read_csv("huge_file.csv", chunksize=1000)

# 逐块处理
results = []
for chunk in chunks:
    # 对每块做处理
    filtered = chunk[chunk["Age"] > 30]
    results.append(filtered)

# 合并所有块
df_final = pd.concat(results, ignore_index=True)
print(f"总共筛选出 {len(df_final)} 条记录")

# 另一个常见用法：统计大文件的总行数
total_rows = sum(len(chunk) for chunk in pd.read_csv("huge_file.csv", chunksize=10000))
print(f"总行数: {total_rows}")

一个很适合初学者先记的判断表

现象	更值得先想到什么
文件读进来乱码	encoding
一列全挤在一起	sep
日期没法直接做时间分析	parse_dates
内存顶不住	chunksize
第一行被读错	header / names

这个表很适合新人，因为它会把“读文件报错或读歪”重新拆成几个最常见的入口问题。

---

其他格式

# 读取 HTML 表格（需要 lxml 或 html5lib）
# tables = pd.read_html("https://example.com/data.html")

# 读取剪贴板（从 Excel 复制后）
# df = pd.read_clipboard()

# 读取 Parquet（高效的列式存储格式，大数据常用）
# df = pd.read_parquet("data.parquet")

# 读取 SQL 数据库（第 4 章详细讲）
# import sqlite3
# conn = sqlite3.connect("database.db")
# df = pd.read_sql("SELECT * FROM users", conn)

---

实战：读取并初步查看数据

import pandas as pd

# 假设我们有一份销售数据
# 如果没有文件，先创建一份示例数据
data = {
    "日期": ["2024-01-15", "2024-01-16", "2024-01-17", "2024-01-18", "2024-01-19"],
    "商品": ["苹果", "牛奶", "面包", "苹果", "牛奶"],
    "数量": [50, 30, 45, 60, 25],
    "单价": [5.5, 8.0, 3.5, 5.5, 8.0],
    "销售额": [275.0, 240.0, 157.5, 330.0, 200.0]
}
df = pd.DataFrame(data)

# 保存为 CSV
df.to_csv("sales.csv", index=False)

# 重新读取
df = pd.read_csv("sales.csv")

# 标准的"初次见面"流程
print("=== 数据形状 ===")
print(df.shape)

print("\n=== 前几行 ===")
print(df.head())

print("\n=== 数据信息 ===")
print(df.info())

print("\n=== 统计摘要 ===")
print(df.describe())

这个小实战最值得先学到什么？

最值得先学到的不是某一个 read_* 函数名，
而是拿到新数据后最稳的三步：

1. 看 shape
2. 看 head()
3. 看 info()

如果这三步顺了，你后面读 CSV、Excel、JSON 时都会稳很多。

---

小结

操作	读取	写入
CSV	pd.read_csv()	df.to_csv()
Excel	pd.read_excel()	df.to_excel()
JSON	pd.read_json()	df.to_json()
SQL	pd.read_sql()	df.to_sql()
Parquet	pd.read_parquet()	df.to_parquet()

拿到数据的第一步

永远先运行这三行：

print(df.shape)
df.info()
df.head()

这节最该带走什么

• 数据读写不是“导入一下文件”，而是确认数据有没有被正确读进来
• 第一次拿到文件时，先看 shape / head / info
• 很多读文件问题，本质上都落在 encoding / sep / header / parse_dates / chunksize 这几类参数上

---

动手练习

练习 1：创建并读写 CSV

# 1. 创建一个包含 10 个学生信息的 DataFrame（姓名、年龄、成绩）
# 2. 保存为 CSV 文件（不带索引）
# 3. 重新读取这个 CSV 文件
# 4. 验证读取前后数据一致

练习 2：读取真实数据

去 Kaggle 下载一个感兴趣的小数据集（CSV 格式），用 pd.read_csv() 读取并完成"初次见面"流程。

练习 3：处理编码问题

# 创建一份包含中文的数据，分别用 utf-8 和 gbk 编码保存
# 然后尝试用不同编码读取，观察乱码情况