Python 处理 CSV 推荐 csv 模块（轻量、标准库）或 pandas（功能强、适合分析）；小数据用 csv，复杂操作选 pandas；注意编码、换行、引号等细节及中文乱码、数据类型识别等问题。
Python 处理 CSV 文件非常方便，核心是用 csv 模块或 pandas 库——前者轻量、标准库 自带；后者功能强、适合分析。选哪个取决于你的需求：简单读写用csv，带筛选、计算、合并等操作就上pandas。
用 csv 模块读取 CSV 文件（基础可靠）
适合小到中等规模数据，不依赖第三方库。注意 编码（常见为 UTF-8，中文需指定encoding='utf-8'），并处理换行、引号等特殊情况。
- 用
csv.reader按行读取，返回列表形式的每行数据 - 用
csv.DictReader把首行当列名，返回字典，更直观易用 - 读取时建议加
newline=''参数，避免 Windows 下多空行问题
用 pandas 读写 CSV（高效灵活）
pandas.read_csv()自动推断数据类型、跳过空行、处理缺失值（如nan），还能直接切片、过滤、聚合。
- 常用参数：
sep=','（分隔符）、header=0（首行为列名）、na_values=['N/A', '']（自定义空值标识） - 写入用
df.to_csv('output.csv', index=False)，index=False避免多出序号列 - 中文路径或含中文列名时，保存务必加
encoding='utf-8-sig'，否则 Excel 打开乱码
处理常见坑点（实用提醒）
实际操作中容易卡在细节：
立即学习“Python 免费学习笔记（深入）”；
- CSV 不是“纯文本表格”——字段含逗号、换行或引号时，必须用双引号包裹，
csv模块会自动处理，但手写或 Excel 导出不规范就易出错 - 数字被读成字符串？检查是否含空格或单位（如
"123 kg"），可用str.strip().replace('kg','').astype(float)清洗 - 日期列没识别成时间类型？加上
parse_dates=['date_column']参数，或后续用pd.to_datetime()
什么时候该换其他格式？
CSV 适合交换和初筛，但不适合以下场景：
- 数据含复杂嵌套结构（如 JSON 字段）→ 改用 JSON 或 Parquet
- 文件超 100MB、频繁读写 → 考虑 SQLite 或 HDF5 提升性能
- 需要保留样式、多表、公式 → 不是 CSV 的职责，用 Excel（
openpyxl或xlsxwriter）
