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：

• 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）