read_csv 与 to_csv方法
1.read_csv方法
1.1 返回数据类型
DataFrame：二维标记数据结构
列可以是不同的数据类型，是最常用的pandas对象，如同Series对象一样接受多种输入：lists/dicts/Series/DataFrame。
Series：一维标记数组
可以存储任意数据类型：int/string/float/Python对象，创建Series方法例子：
s = Series(data, index = index)
# data可以是Python字典/ndarray/标量值
1.2 调用方式
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='.'*, *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 ：
字符串，或者任何对象的read()方法。这个字符串可以是URL，有效的URL方案包括http、ftp、s3和文件。可以直接写入"文件名.csv"
header :
将行号用作列名，且是数据的开头。
注意当skip_blank_lines=True时，这个参数忽略注释行和空行。所以header=0表示第一行是数据而不是文件的第一行。
例子：
import pandas as pd
obj=pd.read_csv('test.csv')
print(obj)
print(type(obj))
print(obj.dtypes)
Unnamed: 0 c1 c2 c3
0 a 0 5 10
1 b 1 6 11
2 c 2 7 12
3 d 3 8 13
4 e 4 9 14
Unnamed: 0 object
c1 int64
c2 int64
c3 int64
dtype: object
上述代码中test.csv中的数据为：
因为csv中的数据都是用逗号隔开的。
,c1,c2,c3
a,0,5,10
b,1,6,11
c,2,7,12
d,3,8,13
e,4,9,14
- 代码将有列索引但没有行索引的数据，read_csv会自动添加上行索引（即使原数据有行索引）。
- read_csv读取的数据类型为Dataframe
- obj.dtypes可以查看每列的数据类型
obj_2=pd.read_csv('f:/test.csv',header=None,names=range(2,5))
print(obj_2)
2 3 4
0 c1 c2 c3
1 0 5 10
2 1 6 11
3 2 7 12
4 3 8 13
5 4 9 14
header=None
即指明原始文件数据没有列索引，这样read_csv为自动加上列索引，除非你给定列索引的名字。
obj_2=pd.read_csv('f:/test.csv',header=0,names=range(2,5))
print(obj_2)
2 3 4
0 0 5 10
1 1 6 11
2 2 7 12
3 3 8 13
4 4 9 14
header=0
表示文件第0行（即第一行，索引从0开始）为列索引，这样加names会替换原来的列索引。
parse_dates ：
布尔类型值 or int类型值的列表 or 列表的列表 or 字典（默认值为 FALSE）
- TRUE：则尝试解析索引
- 由int类型值组成的列表(例子 [1,2,3]):作为单独数据列，分别解析原始文件中的1,2,3列
- 由列表组成的列表（例子[[1,3]]）:将1,3列合并，作为一个单列进行解析
- 字典（例子{‘foo’：[1, 3]}）:解析1,3列作为数据，并命名为foo
index_col:
int类型值，序列，FALSE（默认 None）
将真实的某列当做index（列的数目，甚至列名）
例子：
obj_2=pd.read_csv('test.csv',index_col=0)
print(obj_2)
c1 c2 c3
a 0 5 10
b 1 6 11
c 2 7 12
d 3 8 13
e 4 9 14
obj_2=pd.read_csv('test.csv',index_col=[0,2])
print(obj_2)
c1 c3
c2
a 5 0 10
b 6 1 11
c 7 2 12
d 8 3 13
e 9 4 14
index_col为指定数据中那一列作为Dataframe的行索引，也可以可指定多列，形成层次索引，默认为None,即不指定行索引，这样系统会自动加上行索引。
squeeze：
布尔值，默认FALSE
TRUE 如果被解析的数据只有一列，那么返回Series类型。
data_parser:
函数，默认None
指定将输入的字符串转换为可变的时间数据。Pandas默认数据读取格式：‘YYYY-MM-DD HH：MM：SS’，若读取的数据不是默认格式，则要人工定义。定义例子：
def parser(x):
return datetime.strptime('190'+x, '%Y-%m')
#后面的就是输入的文件的格式使用pandas中read_csv读取csv数据时，对于有表头的数据，将header设置为空(None)，会报错：pandas_libsparsers.pyx in pandas._libs.parsers.raise_parser_error() ParserError: Error tokenizing data. C error: Expected 4 fields in line 2, saw 5 。
1.3其它说明
查看pandas官方文档发现，read_csv读取时会自动识别表头，
数据有表头时不能设置header为None，否则报错（默认读取第一行，即header=0)；
数据无表头时，若不设置header，第一行数据会被视为表头，应传入names参数设置表头名称或设置header=None。
2. to_csv方法
与read_csv相对应的是保存dataframe文件到csv的to_csv方法：
xyzi_df.to_csv("./data.xyz", sep=" ", header=False, index=False # 无head,无index保存
xyzi_df.to_csv("./data.xyz", sep=" ", header=True, index=True) # 有head,有index保存
xyzi_df.to_csv("./data.xyz", sep=" ", header=True, index=True) # 有head,有index保存
xyzi_df.to_csv("./data.xyz", sep=" ", header=None, index=True) # 无head,有index保存