快捷導(dǎo)航

使用Python處理CSV文件的全面指南

更新時(shí)間：2025年07月30日 09:36:27 作者：XMYX-0

在數(shù)據(jù)驅(qū)動(dòng)開(kāi)發(fā)中,?結(jié)構(gòu)化存儲(chǔ)?是數(shù)據(jù)處理流程的關(guān)鍵環(huán)節(jié),CSV作為一種輕量級(jí)、跨平臺(tái)的文件格式,廣泛用于數(shù)據(jù)交換、日志記錄及中小規(guī)模數(shù)據(jù)存儲(chǔ),本文將介紹如何使用 Python 處理 CSV 文件,需要的朋友可以參考下

常見(jiàn)問(wèn)題及解決方案

問(wèn)題：文件編碼錯(cuò)誤
解決方案：使用 encoding 參數(shù)指定文件編碼，例如 encoding='utf-8'。

問(wèn)題：讀取大文件時(shí)內(nèi)存不足
解決方案：使用 chunksize 參數(shù)逐塊讀取數(shù)據(jù)：

for chunk in pd.read_csv('large_data.csv', chunksize=1000):
    process(chunk)  # 自定義處理函數(shù)

問(wèn)題執(zhí)行腳本報(bào)錯(cuò)

PS D:\bsop\zhijianaiweb> & D:/Python/Python39/python.exe c:/Users/wangzq/Desktop/csv.py
Traceback (most recent call last):
  File "c:\Users\wangzq\Desktop\csv.py", line 1, in <module>
    import csv
  File "c:\Users\wangzq\Desktop\csv.py", line 4, in <module>
    writer = csv.writer(file)
AttributeError: partially initialized module 'csv' has no attribute 'writer' (most likely due to a circular import)
PS D:\bsop\zhijianaiweb>

這個(gè)錯(cuò)誤通常腳本文件命名為 csv.py，導(dǎo)致 Python 試圖從你的腳本中導(dǎo)入 csv 模塊，而不是標(biāo)準(zhǔn)庫(kù)中的 csv 模塊。解決方法如下：

重命名你的腳本：將 csv.py 更改為其他名字，例如 csv_example.py。
刪除 csv.pyc 文件（如果存在）：在同一目錄下查找 __pycache__ 文件夾，刪除其中的 csv.cpython-39.pyc 文件。

使用 Python 處理 CSV 文件：全面指南

CSV（Comma-Separated Values）格式是一種廣泛使用的數(shù)據(jù)交換格式，因其簡(jiǎn)單易懂而受到青睞。本文將介紹如何使用 Python 處理 CSV 文件，包括讀取、寫入、數(shù)據(jù)處理以及常用庫(kù)的比較。

CSV 文件的基本概念

CSV 文件使用逗號(hào)分隔值，通常用于存儲(chǔ)表格數(shù)據(jù)。每行代表一條記錄，字段由逗號(hào)分隔。

使用內(nèi)置 csv 模塊

Python 提供了內(nèi)置的 csv 模塊，方便讀取和寫入 CSV 文件。

寫入 CSV 文件：

import csv
with open('output.csv', mode='w', newline='') as file:
    writer = csv.writer(file)
    writer.writerow(['Name', 'Age'])
    writer.writerow(['Alice', 30])

讀取 CSV 文件：

import csv

with open('data.csv', mode='r') as file:
    reader = csv.reader(file)
    for row in reader:
        print(row)

使用 pandas 庫(kù)

pandas 是一個(gè)強(qiáng)大的數(shù)據(jù)處理庫(kù)，適合進(jìn)行復(fù)雜的數(shù)據(jù)分析。

讀取 CSV 文件：

import pandas as pd

df = pd.read_csv('data.csv')
print(df.head())

數(shù)據(jù)處理：可以輕松地進(jìn)行數(shù)據(jù)過(guò)濾、修改和聚合。

# 過(guò)濾年齡大于25的人
filtered_df = df[df['Age'] > 25]
print(filtered_df)

# 統(tǒng)計(jì)年齡的平均值
average_age = df['Age'].mean()
print(f"Average Age: {average_age}")

寫入 CSV 文件：

df.to_csv('filtered_output.csv', index=False)

處理缺失值

處理數(shù)據(jù)時(shí)，缺失值是常見(jiàn)問(wèn)題?？梢允褂?fillna() 方法填充缺失值：

# 用0填充缺失值
df.fillna(0, inplace=True)

# 刪除含有缺失值的行
df.dropna(inplace=True)

使用 DictReader 和 DictWriter

csv 模塊還支持將 CSV 文件讀取為字典格式，方便處理。

讀取為字典：

import csv
with open('data.csv', mode='r') as file:
    reader = csv.DictReader(file)
    for row in reader:
        print(row['Name'], row['Age'])

寫入字典：

import csv
with open('output.csv', mode='w', newline='') as file:
    fieldnames = ['Name', 'Age']
    writer = csv.DictWriter(file, fieldnames=fieldnames)
    writer.writeheader()
    writer.writerow({'Name': 'Bob', 'Age': 22})

案例分析

假設(shè)我們有一個(gè)包含員工信息的 CSV 文件 employees.csv，我們想要進(jìn)行數(shù)據(jù)分析，比如找出薪水高于某個(gè)值的員工，并計(jì)算他們的平均薪水。

import pandas as pd

# 讀取數(shù)據(jù)
df = pd.read_csv('employees.csv')

# 過(guò)濾薪水大于50000的員工
high_salary_df = df[df['Salary'] > 50000]

# 計(jì)算平均薪水
average_salary = high_salary_df['Salary'].mean()
print(f"Average Salary of High Earners: {average_salary}")