使用numpy.loadtxt

一个非常简单的方法。但它要求所有元素都是float (int等)

import numpy as np 
data = np.loadtxt('c:\\1.csv',delimiter=',',skiprows=0)  

可在最新的熊猫和numpy版本。

import pandas as pd
import numpy as np

data = pd.read_csv('data.csv', header=None)

# Discover, visualize, and preprocess data using pandas if needed.

data = data.to_numpy()

使用pandas.read_csv:

import pandas as pd
df = pd.read_csv('myfile.csv', sep=',', header=None)
print(df.values)

array([[ 1. ,  2. ,  3. ],
       [ 4. ,  5.5,  6. ]])

这就提供了一个pandas DataFrame，它提供了许多numpy记录数组无法直接提供的有用的数据操作函数。

DataFrame是一个2维标记数据结构，列为 可能是不同的类型。你可以把它想象成一个电子表格 SQL表……

我还推荐numpy.genfromtxt。然而，由于问题要求的是记录数组，而不是普通数组，因此需要在genfromtxt调用中添加dtype=None参数:

import numpy as np
np.genfromtxt('myfile.csv', delimiter=',')

对于下面的'myfile.csv':

1.0, 2, 3
4, 5.5, 6

上面的代码给出了一个数组:

array([[ 1. ,  2. ,  3. ],
       [ 4. ,  5.5,  6. ]])

and

np.genfromtxt('myfile.csv', delimiter=',', dtype=None)

给出一个记录数组:

array([(1.0, 2.0, 3), (4.0, 5.5, 6)], 
      dtype=[('f0', '<f8'), ('f1', '<f8'), ('f2', '<i4')])

这样做的好处是可以轻松导入具有多种数据类型(包括字符串)的文件。

我试了一下:

from numpy import genfromtxt
genfromtxt(fname = dest_file, dtype = (<whatever options>))

对比:

import csv
import numpy as np
with open(dest_file,'r') as dest_f:
    data_iter = csv.reader(dest_f,
                           delimiter = delimiter,
                           quotechar = '"')
    data = [data for data in data_iter]
data_array = np.asarray(data, dtype = <whatever options>)

对460万行约70列进行了分析，发现NumPy路径花费了2分16秒，csv-list理解方法花费了13秒。

我会推荐csv-list理解方法，因为它很可能依赖于预编译的库，而不是像NumPy那样依赖解释器。我怀疑pandas方法也有类似的解释器开销。

我试了一下:

import pandas as p
import numpy as n

closingValue = p.read_csv("<FILENAME>", usecols=[4], dtype=float)
print(closingValue)

还可以尝试recfromcsv()，它可以猜测数据类型并返回正确格式化的记录数组。