Python是进行数据分析的一种出色语言，主要是因为以数据为中心的Python软件包具有奇妙的生态系统。Pandas是其中的一种，使导入和分析数据更加容易。
导入 Pandas： 

import pandas as pd

代码＃1：read_csv是重要的pandas函数，用于读取csv文件并对其进行操作。 

# 导入 pandas
import pandas as pd
# 读取csv文件
pd.read_csv("filename.csv")

通过此操作轻松打开CSV文件。但是还有很多其他事情可以通过此函数来完成，以完全更改返回的对象。例如，不仅可以在本地读取csv文件，还可以通过read_csv从URL读取csv文件，也可以选择需要导出的列，这样我们以后就不必编辑数组了。

这是其默认值所采用的参数列表。

pd.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=b’.’, lineterminator=None, quotechar='”‘, quoting=0, escapechar=None, comment=None, encoding=None, dialect=None, tupleize_cols=None, error_bad_lines=True, warn_bad_lines=True, skipfooter=0, doublequote=True, delim_whitespace=False, low_memory=True, memory_map=False, float_precision=None)

并非所有参数都非常重要，但记住这些函数实际上可以节省自己执行相同函数的时间。通过按Jupyter Notebook中的Shift + Tab，可以看到任何函数的参数。下面列出了有用的用法：

参数	采用
filepath_or_buffer	文件的URL或目录位置
sep	代表分隔符，默认为’，’，如csv(逗号分隔值)
index_col	将传递的列设为索引，而不是0、1、2、3…r
header	将传递的行/ s [int / int列表]作为标题
use_cols	仅使用传递的col [string list]制作数据帧
squeeze	如果为true，并且仅传递一列，则返回pandas系列
skiprows	跳过新数据框中传递的行

代码2：

# 导入pandas
import pandas as pd
pd.read_csv(filepath_or_buffer = "pokemon.csv")
# makes the passed rows header
pd.read_csv("pokemon.csv", header =[1, 2])
# 使传递的列作为索引而不是0、1、2、3 ...
pd.read_csv("pokemon.csv", index_col ='Type')

pd.read_csv("pokemon.csv", usecols =["Type"])
# reutruns pandas系列，如果只有一个列
pd.read_csv("pokemon.csv", usecols =["Type"],
                              squeeze = True)
# 跳过新series中传递的行
pd.read_csv("pokemon.csv",
            skiprows = [1, 2, 3, 4])