pandas的read_csv函数

pd.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=b'.', 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)

filepath_or_buffer：

文件的地址，可以是url。

sep:

分隔符的指定。

delimiter：

str，定界符，如果指定该参数，sep参数失效。

delim_whitespace :boolean,

default False. 指定空格(例如’ ‘或者’ ‘)是否作为分隔符使用，等效于设定sep='\s+'。

header :

int or list of ints, default ‘infer’ ，指定行数用来作为列名。如果文件中没有列名，则默认为0，否则设置为None。

names :

array-like, default None 用于结果的列名列表，对各列重命名，即添加表头。 如数据有表头，但想用新的表头，可以设置header=0,names=['a','b']实现表头定制。

index_col :

int or sequence or False, default None 用作行索引的列编号或者列名，如果给定一个序列则有多个行索引。 可使用index_col=[0,1]来指定文件中的第1和2列为索引列。

usecols :

array-like, default None 返回一个数据子集，即选取某几列，不读取整个文件的内容，有助于加快速度和降低内存。 usecols=[1,2]或usercols=['a','b']

squeeze :

boolean, default False 如果文件只包含一列，则返回一个Series。

prefix :

str, default None 在没有列标题时，给列添加前缀。例如：添加‘X’ 成为 X0, X1, ...

mangle_dupe_cols :

boolean, default True 重复的列，将‘X’...’X’表示为‘X.0’...’X.N’。如果设定为False则会将所有重名列覆盖。

dtype :

Type name or dict of column -> type, default None 每列数据的数据类型。例如 {‘a’: np.float64, ‘b’: np.int32}。

engine :

{‘c’, ‘python’}, optional 使用的分析引擎。可以选择C或者是python。C引擎快但是Python引擎功能更加完备。

converters :

dict, default None 列转换函数的字典。key可以是列名或者列的序号。

日期类型相关参数：

parse_dates :

boolean or list of ints or names or list of lists or dict, default False 。

boolean. True -> 解析索引 list of ints or names. e.g. If [1, 2, 3] -> 解析1,2,3列的值作为独立的日期列；

list of lists. e.g. If [[1, 3]] -> 合并1,3列作为一个日期列使用

dict, e.g. {‘foo’ : [1, 3]} -> 将1,3列合并，并给合并后的列起名为"foo"。

示例：

df=pd.read_csv(file_path,parse_dates=['time1','time2'])， 把time1和time2两列解析为日期格式。

这里不得不说，很遗憾中文不行，比如‘4月5日’这种格式就不能解析。

infer_datetime_format :

boolean, default False 如果设定为True并且parse_dates 可用，那么pandas将尝试转换为日期类型，如果可以转换，转换方法并解析。 在某些情况下会快5~10倍。

keep_date_col :

boolean, default False 如果连接多列解析日期，则保持参与连接的列。默认为False。

date_parser :

function, default None 于解析日期的函数，默认使用dateutil.parser.parser来做转换。

Pandas尝试使用三种不同的方式解析，如果遇到问题则使用下一种方式。

1.使用一个或者多个arrays（由parse_dates指定）作为参数；

2.连接指定多列字符串作为一个列作为参数；

3.每行调用一次date_parser函数来解析一个或者多个字符串（由parse_dates指定）作为参数。

dayfirst :

boolean, default False DD/MM格式的日期类型。

转载：https://blog.csdn.net/liuweiyuxiang/article/details/78471036