import csv

with open('data.csv', 'r', encoding='utf-8') as file:
    csv_reader = csv.reader(file)
    headers = next(csv_reader)  # 讀取表頭
    for row in csv_reader:
        print(row)  # 每行是一個列表

import csv

with open('data.csv', 'r', encoding='utf-8') as file:
    csv_reader = csv.DictReader(file)
    for row in csv_reader:
        print(row['column_name'])  # 通過列名訪問

import pandas as pd

df = pd.read_csv('data.csv')
print(df.head())  # 顯示前5行

df = pd.read_csv(
    'data.csv',
    encoding='utf-8',           # 編碼
    sep=',',                    # 分隔符
    header=0,                   # 表頭行
    index_col=0,                # 索引列
    usecols=['col1', 'col2'],   # 指定列
    nrows=1000,                 # 讀取行數(shù)
    skiprows=1,                 # 跳過行數(shù)
    na_values=['NULL', ''],     # 空值標識
    dtype={'col1': str}         # 數(shù)據(jù)類型
)

import numpy as np

# 適用于純數(shù)值數(shù)據(jù)
data = np.loadtxt('data.csv', delimiter=',', skiprows=1)

import numpy as np

data = np.genfromtxt(
    'data.csv',
    delimiter=',',
    names=True,              # 使用第一行作為列名
    dtype=None,              # 自動推斷類型
    encoding='utf-8'
)

with open('data.csv', 'r', encoding='utf-8') as file:
    lines = file.readlines()

headers = lines[0].strip().split(',')
data = []
for line in lines[1:]:
    row = line.strip().split(',')
    data.append(row)

def read_csv_auto_encoding(filename):
    encodings = ['utf-8', 'gbk', 'gb2312', 'utf-16']
    for encoding in encodings:
        try:
            return pd.read_csv(filename, encoding=encoding)
        except UnicodeDecodeError:
            continue
    return None

import csv

with open('complex.csv', 'r') as file:
    reader = csv.reader(file, quotechar='"', delimiter=',', quoting=csv.QUOTE_ALL)
    for row in reader:
        print(row)

# Python讀取CSV的幾種方式

# 1. 使用csv模塊（Python內(nèi)置）
import csv

# 方法1.1: 使用csv.reader()讀取
def read_csv_with_reader(filename):
    """
    使用csv.reader()逐行讀取CSV文件
    適用于：簡單的CSV文件讀取，內(nèi)存占用小
    """
    with open(filename, 'r', encoding='utf-8') as file:
        csv_reader = csv.reader(file)
        # 讀取表頭
        headers = next(csv_reader)
        print(f"表頭: {headers}")
        
        # 讀取數(shù)據(jù)行
        for row in csv_reader:
            print(row)

# 方法1.2: 使用csv.DictReader()讀取
def read_csv_with_dictreader(filename):
    """
    使用csv.DictReader()將每行轉(zhuǎn)換為字典
    適用于：需要按列名訪問數(shù)據(jù)的場景
    """
    with open(filename, 'r', encoding='utf-8') as file:
        csv_reader = csv.DictReader(file)
        for row in csv_reader:
            print(row)  # 每行是一個字典
            # 可以通過列名訪問：row['column_name']

# 2. 使用pandas庫（需要安裝：pip install pandas）
import pandas as pd

# 方法2.1: 基本讀取
def read_csv_with_pandas_basic(filename):
    """
    使用pandas讀取CSV文件
    適用于：數(shù)據(jù)分析、處理大量數(shù)據(jù)
    """
    df = pd.read_csv(filename)
    print(df.head())  # 顯示前5行
    return df

# 方法2.2: 帶參數(shù)的讀取
def read_csv_with_pandas_advanced(filename):
    """
    使用pandas的高級參數(shù)讀取CSV
    """
    df = pd.read_csv(
        filename,
        encoding='utf-8',      # 指定編碼
        sep=',',               # 分隔符
        header=0,              # 表頭行號
        index_col=0,           # 索引列
        usecols=['col1', 'col2'],  # 只讀取指定列
        nrows=1000,            # 只讀取前1000行
        skiprows=1,            # 跳過第1行
        na_values=['NULL', ''],  # 指定空值表示
        dtype={'col1': str}    # 指定列的數(shù)據(jù)類型
    )
    return df

# 3. 使用numpy庫（需要安裝：pip install numpy）
import numpy as np

# 方法3.1: 使用numpy.loadtxt()
def read_csv_with_numpy_loadtxt(filename):
    """
    使用numpy.loadtxt()讀取數(shù)值型CSV
    適用于：純數(shù)值數(shù)據(jù)，性能要求高
    """
    data = np.loadtxt(filename, delimiter=',', skiprows=1)  # 跳過表頭
    return data

# 方法3.2: 使用numpy.genfromtxt()
def read_csv_with_numpy_genfromtxt(filename):
    """
    使用numpy.genfromtxt()讀取CSV（更靈活）
    適用于：包含缺失值的數(shù)值數(shù)據(jù)
    """
    data = np.genfromtxt(
        filename,
        delimiter=',',
        names=True,           # 第一行作為列名
        dtype=None,           # 自動推斷數(shù)據(jù)類型
        encoding='utf-8',
        missing_values='',    # 缺失值標識
        filling_values=0      # 缺失值填充
    )
    return data

# 4. 使用內(nèi)置open()函數(shù)手動解析
def read_csv_manually(filename):
    """
    手動解析CSV文件
    適用于：特殊格式的CSV或需要自定義解析邏輯
    """
    with open(filename, 'r', encoding='utf-8') as file:
        lines = file.readlines()
        
    # 解析表頭
    headers = lines[0].strip().split(',')
    
    # 解析數(shù)據(jù)
    data = []
    for line in lines[1:]:
        row = line.strip().split(',')
        data.append(row)
    
    return headers, data

# 5. 處理特殊情況的CSV

# 方法5.1: 處理不同編碼的CSV
def read_csv_different_encoding(filename):
    """
    處理不同編碼的CSV文件
    """
    encodings = ['utf-8', 'gbk', 'gb2312', 'utf-16']
    
    for encoding in encodings:
        try:
            df = pd.read_csv(filename, encoding=encoding)
            print(f"成功使用 {encoding} 編碼讀取文件")
            return df
        except UnicodeDecodeError:
            continue
    
    print("無法確定文件編碼")
    return None

# 方法5.2: 處理大文件（分塊讀?。?
def read_large_csv_in_chunks(filename, chunk_size=1000):
    """
    分塊讀取大型CSV文件
    適用于：內(nèi)存不足以加載整個文件的情況
    """
    chunk_list = []
    
    for chunk in pd.read_csv(filename, chunksize=chunk_size):
        # 對每個塊進行處理
        processed_chunk = chunk  # 這里可以添加處理邏輯
        chunk_list.append(processed_chunk)
    
    # 合并所有塊
    df = pd.concat(chunk_list, ignore_index=True)
    return df

# 方法5.3: 處理包含引號和逗號的CSV
def read_csv_with_quotes(filename):
    """
    處理包含引號和逗號的復(fù)雜CSV
    """
    with open(filename, 'r', encoding='utf-8') as file:
        csv_reader = csv.reader(file, quotechar='"', delimiter=',', quoting=csv.QUOTE_ALL)
        for row in csv_reader:
            print(row)

# 使用示例
if __name__ == "__main__":
    # 創(chuàng)建示例CSV文件
    sample_data = '''姓名,年齡,城市,薪資
張三,25,北京,8000
李四,30,上海,12000
王五,28,廣州,10000
趙六,35,深圳,15000'''
    
    with open('sample.csv', 'w', encoding='utf-8') as f:
        f.write(sample_data)
    
    print("=== 方法1: 使用csv.reader() ===")
    read_csv_with_reader('sample.csv')
    
    print("\n=== 方法2: 使用csv.DictReader() ===")
    read_csv_with_dictreader('sample.csv')
    
    print("\n=== 方法3: 使用pandas ===")
    df = read_csv_with_pandas_basic('sample.csv')
    print(df)
    
    print("\n=== 方法4: 手動解析 ===")
    headers, data = read_csv_manually('sample.csv')
    print(f"表頭: {headers}")
    print(f"數(shù)據(jù): {data}")

# 各種方法的對比總結(jié)：
"""
1. csv模塊：
   - 優(yōu)點：Python內(nèi)置，無需安裝額外庫，內(nèi)存占用小
   - 缺點：功能相對簡單，不支持復(fù)雜的數(shù)據(jù)操作
   - 適用：簡單的CSV讀取，小文件處理

2. pandas：
   - 優(yōu)點：功能強大，支持數(shù)據(jù)分析和處理，參數(shù)豐富
   - 缺點：需要安裝額外庫，內(nèi)存占用較大
   - 適用：數(shù)據(jù)分析，復(fù)雜的數(shù)據(jù)處理，大部分CSV處理場景

3. numpy：
   - 優(yōu)點：處理數(shù)值數(shù)據(jù)性能高，內(nèi)存效率好
   - 缺點：主要適用于數(shù)值數(shù)據(jù)，對文本處理支持有限
   - 適用：純數(shù)值CSV文件，科學計算

4. 手動解析：
   - 優(yōu)點：完全可控，可以處理特殊格式
   - 缺點：代碼復(fù)雜，容易出錯，需要處理各種邊界情況
   - 適用：特殊格式的CSV，需要自定義解析邏輯

選擇建議：
- 數(shù)據(jù)分析：首選pandas
- 簡單讀?。菏褂胏sv模塊
- 數(shù)值計算：考慮numpy
- 特殊需求：手動解析
"""