189 8069 5689
函数遇到return会返回值，并停止运行后面的程序，
10年积累的成都做网站、成都网站设计经验，可以快速应对客户对网站的新想法和需求。提供各种问题对应的解决方案。让选择我们的客户得到更好、更有力的网络服务。我虽然不认识你，你也不认识我。但先网站制作后付款的网站建设流程，更有宁江免费网站建设让你可以放心的选择与我们合作。
也就是说你程序的for循环只执行了一次
如果有多行数据，可以把数据保存起来，最后一起返回
近期,笔者到一些数据竞赛网站进行观察学习,发现很多数据是以csv文件处理的(废话).因而,磨刀不误砍柴工,笔者先对Python的csv库进行学习.
csv模块实现了CSV格式表单数据的读写.这可以以一个兼容Excel的方式读写其数据文件,csv模块中的reader和writer类被用来读写序列化的数据.也可以使用DictReader类和DictWriter类以字典的方式读取数据.
返回一个reader对象,该对象逐行遍历csvfile(文件和列表均适用,但是文件的话应该newline=''.
默认每一行读取一个字符串组成的列表(而非数值,除非修改QUOTE_NONUMERIC).
返回一个writer对象,负责将数据在给定的文件类对象上转换成带分隔符的字符串.csvfile(只要该对象有write()方法,文件的话应该newline=''.)
这两个方法可以把name字符串和dialect关联/脱钩.dialect可以是Dialect的子类,或者fmtparams的关键字参数.
返回一个Dialect对象为name的变种,若其未注册,抛出Error.
返回已经注册的所有变种的 名称
返回当前解析器允许的最大字段大小,如果制定了参数,参数将成为新的最大字段大小.
该对象操作上类似reader,但是把每行中的信息映射到一个字典,字典的键由fieldnames给出
fieldname的参数是一个序列sequence [1] ,如果参数缺省,默认第一行的值作为字段名.
如果某一行中的字段多于字段名(比如说约定有5项属性,但是这一行却出现了6个数据)，则其余字段将放入列表中，字段名由 restkey 指定（默认为 None）。如果非空白行的字段少于字段名，则缺少的值将用 None 填充。
#其实这玩意应该就跟各种填表里面的备注用法差不多.
3.8中返回的行是dict类型.
该对象操作上类似reader,但是把每行中的信息映射到一个字典,字典的键由fieldnames给出,fieldname参数是不可缺省的.restval用来指定字典缺少键的时候要写入的值.extrasaction用于指定关键键在fieldname中找不到的情况的处理机制.'raise'引发ValueError,而'ignore'则会被忽略.
这个类被用来瑞段csv文件的格式
以下诸类均在括号中标注了在其变种注册表中的名称
定义了Excel生成的csv文件的常规属性.('excel')
定义了Excel生成的,tab分割的csv文件的常规属
性.('excel-tab')
定义了UNIX系统上生成的csv文件的常规属性('unix'):
任意可能发生的csv库函数错误.
参考链接
Python3.8.2文档中关于csv库的相关文档
CSV 表示 “Comma-Separated Values （逗号分隔的值） ” ， CSV 文件是简化的电子表格，实际为纯文本文件。
一个 CSV 文件，格式是这样的：
因为 CSV 文件中的每个单元格都是以逗号分割，所以也许有人会对每行文本调用 split() 方法，来解析 CSV 文件。但 CSV 文件也有自己的转义字符，通过转义字符，允许逗号和其他字符作为值的一部分，但单纯使用 split() 方法不能处理这些转义字符。因为这些潜在的缺陷，所以建议总是使用 csv 模块来读写 CSV 文件。
csv 模块是 Python 自带的，所以可以直接导入。
要使用 csv 模块从 CSV 文件中读取数据，我们需要创建一个 Reader 对象。 通过 Reader 对象，我们可以迭代遍历 CSV 文件中的每一行内容。
运行结果：
要用 csv 模块读取 CSV 文件，首先先使用 open() 函数打开它 ，就像打开任何其他文本文件一样。然后将它传递给 csv .reader() 函数。 这个函数将返回一个 Reader 对象。注意，csv .reader() 函数不接受文件名作为入参。
要访问 Reader 对象中的值，最直接的方法，就是利用 list() 将它转换成一个普通 Python 列表。它实际为一个包含列表的列表，用于表示二维数据。
我们还可以使用表达式 data [ row ][ col ] 来访问 CSV 中特定行和列的值。其中， row 是 data 中一个列表的下标， col 是该列表中，我们想访问的项的下标：
运行结果：
运行结果：
Writer 对象可以让我们把数据写入 CSV 文件。
运行结果：
在 Windows 上，需要为 open() 函数的 newline 关键字参数传入一个空字符串。如果没有设置 newline 参数， output.csv 中的行距将变为两倍，如下图所示。
如果写入的内容包含逗号，那么 csv 模块会自动加上双引号，对其进行转义，如下例所示。
运行结果：
我们也可以利用 delimiter ，来制作 TSV 文件，TSV 是Tab-separated values的缩写，即以制表符作为分隔符的文件；利用 lineterminator 参数来设定行距。
运行结果：
这里利用 lineterminator='\n\n\n' 将行与行之间的字符变为三个换行符，效果就是实现了 3 倍行距。
Python读取CSV文件方法如下：
如下是一个CVS文件
使用Python打开CSV可以直接使用open函数打开，然后使用reader函数读取内容，实现代码如下：
运行结果如下：
更多Python相关技术文章，请访问Python教程栏目进行学习！以上就是小编分享的关于python中怎么读取csv文件的详细内容希望对大家有所帮助，更多有关python教程请关注环球青藤其它相关文章！
import csv
with open('my.csv') as f:
fcsv = csv.reader(f) # 标题行
for row in fcsv:
# row[0] row[1]
# txt
with open('my.txt') as f:
for line in f: #按行读取
#f.read() # 读取所有
pass
可以指定整个DataFrame或各个列的数据类型：
pandas提供了多种方法来确保列仅包含一个dtype。例如,可以使用read_csv（）的converters参数：
或者，可以在读取数据后使用to_numeric（）函数强进行类型转换。
可以通过指定dtype ='category'或dtype = CategoricalDtype（类别，有序）直接解析类别列。
可以使用dict指定将某列为Category类型：
指定dtype ='category'将导致无序分类，其类别是数据中观察到的唯一值。
要更好地控制类别和顺序，可以创建CategoricalDtype，然后将其传递给该列的dtype。
使用dtype = CategoricalDtype时，dtype.categories之外的“意外”值将被视为缺失值。
文件可能包含标题行，也可能没有标题行。 pandas假定第一行应用作列名：
通过指定name与header，可以重命名列以及是否丢弃标题行：
如果标题不在第一行中，则将行号传递给标题，将跳过header前面的行：
如果文件或标题包含重复的名称，默认情况下，pandas会将它们区分开，以防止覆盖数据.
usecols参数允许您使用列名，位置号或可调用的方法选择文件中列的任何子集.
如果指定了comment参数，则将忽略注释行。 默认情况下，空行也将被忽略。
如果skip_blank_lines = False，则read_csv将不会忽略空行：
警告：被忽略的行的存在可能会导致涉及行号的歧义； 参数标题使用行号（忽略注释/空行），而行首使用行号（包括注释/空行）.
如果同时指定了skiprows和header，则header将相对于skiprows的末尾。 例如：
为了更好地使用日期时间数据，read_csv（）使用关键字参数parse_dates和date_parser允许用户指定列的日期/时间格式，将string转换为日期时间对象。
通常，我们可能希望分别存储日期和时间数据，或分别存储各种日期字段。 parse_dates关键字可用于指定列的组合，以从中解析日期和/或时间。 您可以指定要parse_dates的列或嵌套列表，结果日期列将被添加到输出的前面（以便不影响现有的列顺序），新的列名为各列Name的连接。
默认情况下，解析器会删除组件日期列，可以选择通过keep_date_col关键字保留它们：
请注意，如果您希望将多个列合并为一个日期列，则必须使用嵌套列表。 换句话说，parse_dates = [1，2]表示第二和第三列应分别解析为单独的日期列，而parse_dates = [[1，2]]意味着应将这两列解析为单个列。
还可以使用字典来指定自定义名称列：
重要的是要记住，如果要将多个文本列解析为单个日期列，则在数据前添加一个新列。
index_col参数基于这组新列而不是原始数据列：
注意：如果列或索引包含不可解析的日期，则整个列或索引将作为对象数据类型原样返回。 对于非标准日期时间解析，请在pd.read_csv之后使用to_datetime（）。
注意：read_csv具有用于解析iso8601格式的日期时间字符串的fast_path，例如“ 2000-01-01T00：01：02 + 00：00”和类似的变体。 如果可以安排数据以这种格式存储日期时间，则加载时间将明显缩短，约20倍。
最后，解析器允许您指定自定义date_parser函数，以充分利用日期解析API的灵活性：
Pandas不能原生表示具有混合时区的列或索引。 如果CSV文件包含带有时区混合的列，则默认结果将是带有字符串的object-dtype列，即使包含parse_dates。
要将混合时区值解析为datetime列，请将部分应用的to_datetime（）传递给utc = True作为date_parser。