np.genfromtxt读带表头CSV时第一行出错，因默认不跳过表头且尝试将字符串转float报错；需用skip_header=1跳过表头，配合missing_values、filling_values处理缺失值，并注意编码与dtype设置。
np.genfromtxt 读带表头 CSV 时为什么第一行数据总出错？
因为 np.genfromtxt 默认不跳过任何行，表头会被当作数据尝试解析，遇到字符串字段就报 ValueError: could not convert string to float。它不像 pandas.read_csv 那样自动识别并丢弃表头——你得明确告诉它“第一行不是数据”。
用 skip_header=1 而不是 skiprows=1 才能安全跳过表头
skip_header 是 np.genfromtxt 专为表头设计的参数，它在解析前先跳过指定行数，并且不影响字段类型推断逻辑；而 skiprows 是更底层的行偏移控制，若配合 dtype=None 使用，可能导致列对齐异常或 dtype 推断错误。
- ✅ 正确写法：
np.genfromtxt("data.csv", delimiter=",", skip_header=1, dtype=float) - ❌ 危险写法：
np.genfromtxt("data.csv", delimiter=",", skiprows=1, dtype=None)（若表头后有混合类型，dtype=None会返回 object 数组，后续数值计算易崩） - ⚠️ 注意：如果表头含中文或特殊字符，确保文件编码是 UTF-8，否则
genfromtxt可能卡在解码阶段，抛出UnicodeDecodeError
当 CSV 有缺失值或空字段时，必须配 max_rows 和 filling_values
np.genfromtxt 对缺失值极其敏感，默认遇到空单元格直接报 ValueError: invalid literal for float()。不能只靠 skip_header 解决问题。
提示词大师-python版
下载
图片提示词生成器？不止如此。 马甲系统 —— 把脑海中的画面，翻译成AI能理解的专业表达。 用得越多，它越懂你：首次需要多问几句确认方向，用久了几乎一说就懂。 用得越多，它越快：缓存机制让后续对话越来越省。 RAG进化：成功案例持续入库，越跑越聪明。 输入「新手指南」查看完整功能介绍
- 用
filling_values=np.nan填充所有空字段（推荐数值场景） - 用
missing_values=""显式声明空字符串为缺失标记（注意：需与实际 CSV 中的空字段形式一致，比如是""、" "还是NULL） - 加
max_rows=1000可防止因某行格式异常导致整个加载卡死（调试时特别有用） - 示例：
np.genfromtxt("data.csv", delimiter=",", skip_header=1, dtype=float, missing_values="", filling_values=np.nan, max_rows=1000)
别指望 genfromtxt 自动猜列名或返回结构化数组——它只管数值矩阵
np.genfromtxt 的目标是生成 ndarray，不是替代 pandas。即使你传了 names=True，它也只把表头转成字段名存进 dtype，返回的是结构化数组（structured array），不是 DataFrame，没法用 df["col"] 索引，也不能直接做广播运算。
立即学习“Python免费学习笔记（深入）”；
- 如果你需要列名 + 数值运算 → 改用
pandas.read_csv，再调.values - 如果你坚持用 NumPy 且必须带名访问 → 用
names=True+dtype=None，但之后得手动提取每列：arr["col_name"]，且所有列 dtype 会被统一为object，性能差 - 纯数值计算场景（如科学计算、图像数据）→ 直接
skip_header=1+ 明确dtype=float，拿到干净二维ndarray最省事
np.genfromtxt 加上 skip_header、missing_values 和 filling_values 这三个参数，就是最轻量可靠的兜底方案。别漏掉 encoding 参数，Windows 记事本保存的 CSV 很可能默认是 GBK。 
