pandas.read_csv()的skiprows参数用于跳过前N行，可传数字或函数：传数字时直接跳过指定行数，header行号基于跳过后的相对位置；传函数时逐行判断是否跳过，适用于不固定表头；推荐用nrows=1预探再正式读取。
用 pandas.read_csv() 的 skiprows 跳过多行表头
直接传一个数字给 skiprows，就能跳过开头几行——但前提是表头是固定行数。比如前 3 行全是说明、空行、单位行，第 4 行才是真实列名，那就设 skiprows=3。
常见错误是以为 skiprows=2 就能跳过「第1行标题+第2行单位」，结果发现第3行还是脏数据（比如 Excel 导出的 CSV 常带合并单元格提示），实际要跳 4 行才对。
注意：skiprows 是跳过前 N 行，不检查内容；它不会帮你识别“哪行是真正的列名”，纯靠你数清楚。
-
skiprows=0（默认）：不跳，第一行当列名 -
skiprows=5：跳过前 5 行，第 6 行作为列名读入 - 如果跳过后第一行仍不是合法列名（比如全是
NaN或空字符串），pandas会报ParserError: Error tokenizing data
用 skiprows 传函数动态判断跳过哪些行
当表头行不固定（比如有的文件 3 行，有的 5 行，但都以 "Data starts below this line" 结尾），就不能硬写数字了。这时传一个函数进去，让它逐行看内容，返回 True 就跳过。
这个函数接收行号（从 0 开始）和该行原始字符串（未解析），适合做文本匹配。别想用它去读整张表再判断——它只在解析前起作用。
- 示例：跳过所有含
"#"、"---"、"Note:"的行：def should_skip(i, line):<br> return any(x in line for x in ["#", "---", "Note:"])
- 调用时写成
read_csv("x.csv", skiprows=lambda i, l: should_skip(i, l)) - 注意：函数里不能依赖
pandas或 DataFrame，因为此时连文件都没开始解析
header 参数和 skiprows 的关系容易搞混
header 指定哪一行当列名，skiprows 是先跳过若干行再开始读——两者叠加时，header 的行号是相对于跳过之后的新起点算的。
比如 CSV 有 8 行，你想让第 7 行（原文件索引 6）作列名：不能写 header=6，而要先 skiprows=6，再 header=0；或者更干脆地写 skiprows=6, header=0。
-
skiprows=2, header=0：跳前 2 行，把新第 1 行（原第 3 行）当列名 -
skiprows=2, header=1：跳前 2 行，把新第 2 行（原第 4 行）当列名 - 如果同时设
skiprows和header，header值必须 ≥ 0，且不能超过剩余行数，否则报ValueError: Header row must be within the file
用 pd.read_csv(..., nrows=1) 预探表头位置再决定跳多少
最稳妥的做法不是猜，而是先快速扫一遍文件，找到第一个看起来像列名的行（比如字段数最多、不含特殊符号、长度适中），再回头正式读取。这对自动化处理一堆格式不一的 CSV 很实用。
别用 open().readlines() 全读进内存——大文件会卡死。用 nrows=1 + skiprows 组合试探，既轻量又准确。
- 先试
skiprows=0，读 1 行：pd.read_csv(f, nrows=1, header=None)，看是否合理 - 不合理就试
skiprows=1，再读 1 行……直到某次读出来的列数稳定、首行无全空或全# - 一旦确认有效表头在原文件第 K 行，正式读取就用
skiprows=K-1, header=0
真正麻烦的不是怎么跳，而是有些 CSV 表头里混着空格、不可见字符、BOM 头，看着像列名，一解析就崩——这种得加 encoding="utf-8-sig" 或手动 strip() 列名。
