filepath_or_buffer

可以是URL，可用URL類型包括：http, ftp, s3和文件，本地文件讀取實例：file://localhost/path/to/table.csv

sep

str類型，默認',' 指定分隔符。如果不指定參數，則會嘗試使用默認值逗號分隔。分隔符長於一個字元並且不是『s+』,將使用python的語法分析器。並且忽略數據中的逗號。正則表達式例子：'rt'

delimiter

定界符，備選分隔符（如果指定該參數，則sep參數失效） 一般不用

delimiter_whitespace

True or False 默認False, 用空格作為分隔符等價於spe=』s+』如果該參數被調用，則delimite不會起作用

header

指定第幾行作為列名(忽略註解行)，如果沒有指定列名，默認header=0; 如果指定了列名header=None

names

指定列名，如果文件中不包含header的行，應該顯性表示header=None ，header可以是一個整數的列表，如[0,1,3]。未指定的中間行將被刪除(例如，跳過此示例中的2行)

index_col(案例1)

默認為None 用列名作為DataFrame的行標籤，如果給出序列，則使用MultiIndex。如果讀取某文件,該文件每行末尾都有帶分隔符，考慮使用index_col=False使panadas不用第一列作為行的名稱。

usecols

默認None 可以使用列序列也可以使用列名，如 [0, 1, 2] or [『foo』, 『bar』, 『baz』] ,使用這個參數可以加快載入速度並降低記憶體消耗。

squeeze

默認為False, True的情況下返回的類型為Series，如果數據經解析後僅含一行，則返回Series

prefix

自動生成的列名編號的前綴，如： 『X』 for X0, X1, … 當header =None 或者沒有設置header的時候有效

mangle_dupe_cols

默認為True,重複的列將被指定為』X.0』…』X.N』，而不是』X』…』X』。如果傳入False，當列中存在重複名稱，則會導致數據被覆蓋。

dtype

例子： {『a』: np.float64, 『b』: np.int32} 指定每一列的數據類型，a,b表示列名

engine

使用的分析引擎。可以選擇C或者是python，C引擎快但是Python引擎功能更多一些

converters(案例2)

設置指定列的處理函數，可以用"序號"也可以使用「列名」進行列的指定

true_values / false_values

沒有找到實際的應用場景，備註一下，後期完善

skipinitialspace

忽略分隔符後的空格,默認false

skiprows

默認值 None 需要忽略的行數（從文件開始處算起），或需要跳過的行號列表（從0開始）

skipfooter

從文件尾部開始忽略。 (c引擎不支援)

nrows

從文件中只讀取多少數據行，需要讀取的行數（從文件頭開始算起）

na_values

空值定義，默認情況下, 『#N/A』, 『#N/A N/A』, 『#NA』, 『-1.#IND』, 『-1.#QNAN』, 『-NaN』, 『-nan』, 『1.#IND』, 『1.#QNAN』, 『N/A』, 『NA』, 『NULL』, 『NaN』, 『n/a』, 『nan』, 『null』. 都表現為NAN

keep_default_na

如果指定na_values參數，並且keep_default_na=False，那麼默認的NaN將被覆蓋，否則添加

na_filter

是否檢查丟失值（空字元串或者是空值）。對於大文件來說數據集中沒有N/A空值，使用na_filter=False可以提升讀取速度。

verbose

是否列印各種解析器的輸出資訊，例如：「非數值列中缺失值的數量」等。

skip_blank_lines

如果為True，則跳過空行；否則記為NaN。

parse_dates

有如下的操作1. boolean. True -> 解析索引2. list of ints or names. e.g. If [1, 2, 3] -> 解析1,2,3列的值作為獨立的日期列；3. list of lists. e.g. If [[1, 3]] -> 合併1,3列作為一個日期列使用 4. dict, e.g. {『foo』 : [1, 3]} -> 將1,3列合併，並給合併後的列起名為"foo"

infer_datetime_format

如果設定為True並且parse_dates 可用，那麼pandas將嘗試轉換為日期類型，如果可以轉換，轉換方法並解析。在某些情況下會快5~10倍

keep_date_col

如果連接多列解析日期，則保持參與連接的列。默認為False

date_parser

用於解析日期的函數，默認使用dateutil.parser.parser來做轉換。Pandas嘗試使用三種不同的方式解析，如果遇到問題則使用下一種方式。1.使用一個或者多個arrays（由parse_dates指定）作為參數；2.連接指定多列字元串作為一個列作為參數；3.每行調用一次date_parser函數來解析一個或者多個字元串（由parse_dates指定）作為參數。

dayfirst

DD/MM格式的日期類型

iterator

返回一個TextFileReader 對象，以便逐塊處理文件。

chunksize

文件塊的大小

compression

直接使用磁碟上的壓縮文件。如果使用infer參數，則使用 gzip, bz2, zip或者解壓文件名中以『.gz』, 『.bz2』, 『.zip』, or 『xz』這些為後綴的文件，否則不解壓。如果使用zip，那麼ZIP包中國必須只包含一個文件。設置為None則不解壓。

新版本0.18.1版本支援zip和xz解壓

thousands

千分位符號，默認『，』

decimal

小數點符號，默認『.』

lineterminator

行分割符，只在C解析器下使用

quotechar

引號，用作標識開始和解釋的字元，引號內的分割符將被忽略

quoting

控制csv中的引號常量。可選 QUOTE_MINIMAL (0), QUOTE_ALL (1), QUOTE_NONNUMERIC (2) or QUOTE_NONE (3)

doublequote

雙引號，當單引號已經被定義，並且quoting 參數不是QUOTE_NONE的時候，使用雙引號表示引號內的元素作為一個元素使用。

escapechar

當quoting 為QUOTE_NONE時，指定一個字元使的不受分隔符限值。

comment

標識著多餘的行不被解析。如果該字元出現在行首，這一行將被全部忽略。這個參數只能是一個字元，空行（就像skip_blank_lines=True）注釋行被header和skiprows忽略一樣。例如如果指定comment='#' 解析『#emptyna,b,cn1,2,3』 以header=0 那麼返回結果將是以』a,b,c'作為header

encoding

編碼方式，指定字符集類型，通常指定為'utf-8'

dialect

如果沒有指定特定的語言，如果sep大於一個字元則忽略。具體查看csv.Dialect 文檔

error_bad_lines

如果一行包含太多的列，那麼默認不會返回DataFrame ，如果設置成false，那麼會將改行剔除（只能在C解析器下使用）

warn_bad_lines

如果error_bad_lines =False，並且warn_bad_lines =True 那麼所有的「bad lines」將會被輸出（只能在C解析器下使用）

low_memory

分塊載入到記憶體，再低記憶體消耗中解析。但是可能出現類型混淆。確保類型不被混淆需要設置為False。或者使用dtype 參數指定類型。注意使用chunksize 或者iterator 參數分塊讀入會將整個文件讀入到一個Dataframe，而忽略類型（只能在C解析器中有效）

delim_whitespace

New in version 0.18.1: Python解析器中有效

memory_map

如果為filepath_or_buffer提供了文件路徑，則將文件對象直接映射到記憶體上，並直接從那裡訪問數據。使用此選項可以提高性能，因為不再有任何I / O開銷，使用這種方式可以避免文件再次進行IO操作

float_precision

指定C引擎應用於浮點值的轉換器

io

文件類對象 ，pandas Excel 文件或 xlrd 工作簿。該字元串可能是一個URL。URL包括http，ftp，s3和文件。例如，本地文件可寫成file://localhost/path/to/workbook.xlsx

sheet_name

默認是sheetname為0，返回多表使用sheetname=[0,1]，若sheetname=None是返回全表 。注意：int/string返回的是dataframe，而none和list返回的是dict of dataframe，表名用字元串表示，索引表位置用整數表示；

header

指定作為列名的行，默認0，即取第一行，數據為列名行以下的數據；若數據不含列名，則設定 header = None；

names

指定列的名字，傳入一個list數據

index_col

指定列為索引列，也可以使用u」strings」 ，如果傳遞一個列表，這些列將被組合成一個MultiIndex。

squeeze

如果解析的數據只包含一列，則返回一個Series

dtype

數據或列的數據類型，參考read_csv即可

engine

如果io不是緩衝區或路徑，則必須將其設置為標識io。 可接受的值是None或xlrd

converters

參照read_csv即可

其餘參數

基本和read_csv一致

path_or_buf

一個有效的JSON文件，默認值為None,字元串可以為URL，例如file://localhost/path/to/table.json

orient （案例1）

預期的json字元串格式，orient的設置有以下幾個值：1. 'split' : dict like {index -> [index], columns -> [columns], data -> [values]}2. 'records' : list like [{column -> value}, … , {column -> value}]3. 'index' : dict like {index -> {column -> value}}4. 'columns' : dict like {column -> {index -> value}}5. 'values' : just the values array

typ

返回的格式(series or frame), 默認是 『frame』

dtype

數據或列的數據類型，參考read_csv即可

convert_axes

boolean，嘗試將軸轉換為正確的dtypes，默認值為True

convert_dates

解析日期的列列表；如果為True，則嘗試解析類似日期的列，默認值為True參考列標籤it ends with '_at',it ends with '_time',it begins with 'timestamp',it is 'modified',it is 'date'

keep_default_dates

boolean，default True。如果解析日期，則解析默認的日期樣列

numpy

直接解碼為numpy數組。默認為False；僅支援數字數據，但標籤可能是非數字的。還要注意，如果numpy=True，JSON排序MUST

precise_float

boolean，默認False。設置為在將字元串解碼為雙精度值時啟用更高精度（strtod）函數的使用。默認值（False）是使用快速但不太精確的內置功能

date_unit

string，用於檢測轉換日期的時間戳單位。默認值無。默認情況下，將檢測時間戳精度，如果不需要，則通過's'，'ms'，'us'或'ns'之一分彆強制時間戳精度為秒，毫秒，微秒或納秒。

encoding

json編碼

lines

每行將文件讀取為一個json對象。

io

接收網址、文件、字元串。網址不接受https，嘗試去掉s後爬去

match

正則表達式，返回與正則表達式匹配的表格

flavor

解析器默認為『lxml』

header

指定列標題所在的行，list為多重索引

index_col

指定行標題對應的列，list為多重索引

skiprows

跳過第n行（序列標示）或跳過n行（整數標示）

attrs

屬性，比如 attrs = {'id': 'table'}

parse_dates

解析日期