pandas的DateFrame类似于excel的数据储存结构，故为了便于pandas进行数据处理，设计者提供了简便的方法进行数据的读取，下面写上代码

import pandas as pd
import numpy as np
def save_excel(arr, exc_filename=None):       #读取excel的函数"""Save the data in excel format"""if exc_filename == None:exc_filename = "excel.xlsx"arr_df = pd.DataFrame(arr)np_arr = np.array(arr)arr_r, arr_c = np_arr.shapearr_r_b = len(str(arr_r))                #行数的个数，3位数还是4位数arr_c_b = len(str(arr_c))list_index = []list_columns = []for ii in np.arange(arr_r):x_str = 'Y' + str(ii).zfill(arr_r_b)  # The number of digits is not enough to automatically zero                                      list_index.append(x_str)arr_df.index = list_index               #建立列索引for ii in np.arange(arr_c):y_str = 'X' + str(ii).zfill(arr_c_b)list_columns.append(y_str)arr_df.columns = list_columns            #建立行索引writer = pd.ExcelWriter(exc_filename)arr_df.to_excel(writer, 'page_1', float_format='%.8f')writer.save()df = pd.read_excel(r"excel.xlsx",sheet_nam = 0,index_col = 0,head=0,nrows = 5)
#sheet_name: excel文件中的表名
#index_col: 使用哪一列作为行索引，默认从0开始
#header: 哪一行设置为列索引，默认是第一行，即header = 0
#usecols: 读取表格中哪几列，必须是位置索引
#date_parser：解析日期的函数
#parse_dates：尝试将数据解析为日期，默认为False。如果为True，则尝试解析所有列。此外，还可以指定需要解析的一组列号或者列名
#names: 列索引
#engine: 默认是C，如文件路径存在中文时，engine= "python"
#encoding: 默认是utf-8，还可以是gbk
#skiprows: 跳过前几行读取文件，默认从0开始
#nrows: 读取多少行数据
#converters: 列名跟函数之间的映射关系组成的字典

下面是附加对csv文件的操作

def save_csv(arr,csv_filename=None):"""save data in sv format"""if csv_filename == None:csv_filename = 'csv.csv'arr_df = pd.DataFrame(arr)arr_df.to_csv(csv_filename,float_format='%.3f',index=False,header =False)
df = pd.read_csv(r"D:\迅雷下载\示例txt.csv",encoding = "gbk",engine = "python",nrows= 5,index_col = "用户id")

借鉴：python学习之路–pandas读写文件