read_csv() 函数功能强大，可以灵活地将 CSV 文件读取为 DataFrame，是数据分析的第一步。
最简单的用法只需传入文件路径：
import pandas as pd
df = pd.read_csv('data.csv')
print(df.head())如果文件在工作目录下，直接写文件名；否则需要提供完整路径。同时支持读取网络上的 CSV 文件（传入 URL）。
read_csv() 有数十个参数，下面列出最常用的几个：
sep / delimiter指定分隔符，默认为逗号 ,。对于制表符分隔的文件可使用 sep='\t'。
pd.read_csv('data.tsv', sep='\t')header指定作为列名的行号（从0开始）。默认为0（第一行）。若文件无列名，设置 header=None，并可用 names 参数指定列名。
pd.read_csv('data.csv', header=None, names=['A','B','C'])names自定义列名，需与 header=None 配合使用，或用于替换原有的列名。
pd.read_csv('data.csv', names=['ID','Name','Age'])index_col指定某列作为行索引。可以是列号（整数）或列名（字符串）。
pd.read_csv('data.csv', index_col=0)usecols只读取指定的列，提高效率。可传入列号列表或列名列表。
pd.read_csv('data.csv', usecols=['Name','Age'])dtype为列指定数据类型，避免自动推断错误或节省内存。
pd.read_csv('data.csv', dtype={'Age': int, 'Price': float})skiprows跳过文件开头的指定行数（或行号列表）。常用于跳过注释或无关内容。
pd.read_csv('data.csv', skiprows=2) # 跳过前两行
pd.read_csv('data.csv', skiprows=[0,2]) # 跳过第1行和第3行nrows只读取前 n 行，适用于快速预览或处理大文件的一部分。
pd.read_csv('data.csv', nrows=100)encoding指定文件编码，常见为 'utf-8'、'gbk' 等。解决中文乱码问题。
pd.read_csv('data.csv', encoding='gbk')na_values指定额外的缺失值标记，这些值会被转换为 NaN。
pd.read_csv('data.csv', na_values=['NA', 'NULL', '-'])parse_dates将指定的列解析为日期类型。
pd.read_csv('data.csv', parse_dates=['Date'])chunksize返回一个迭代器，用于逐块读取大文件，避免内存不足。
for chunk in pd.read_csv('big.csv', chunksize=10000):
process(chunk)假设我们有一个名为 employees.csv 的文件，内容如下：
ID,Name,Age,Salary,HireDate
101,张三,28,8000,2020-06-15
102,李四,35,12000,2018-03-20
103,王五,29,9500,2021-09-10
104,赵六,41,15000,2015-12-01现在使用各种参数进行读取：
import pandas as pd
# 1. 基本读取
df = pd.read_csv('employees.csv')
print(df.head())
# 2. 指定ID列为行索引，并将HireDate解析为日期
df2 = pd.read_csv('employees.csv', index_col='ID', parse_dates=['HireDate'])
print(df2.info())
# 3. 只读取Name、Salary两列，并设置Salary为float32类型
df3 = pd.read_csv('employees.csv', usecols=['Name', 'Salary'], dtype={'Salary': 'float32'})
print(df3)
# 4. 处理缺失值：假设文件中用'NULL'表示缺失，并指定编码
df4 = pd.read_csv('employees.csv', na_values=['NULL'], encoding='utf-8')
print(df4.isna().sum())UnicodeDecodeError，尝试更换 encoding 参数，例如 encoding='gbk' 或 encoding='latin1'。
sep='\s+' 使用正则匹配连续空白。
chunksize 分块处理，或指定 dtype 减少内存占用。
header=None 并手动指定 names。
df.info() 和 df.head() 检查数据是否正确。对于大文件，可以先读一小部分（nrows=1000）来预览。