pd.read_csv()是唯一可靠主流的CSV读取入口，路径需注意Windows反斜杠转义、Mac/Linux绝对路径开头斜杠及相对路径工作目录；中文乱码应先用chardet探测编码；分隔符、列名、空值等参数需按实际文件结构调整。

pd.read_csv() 是唯一可靠、主流的入口，其他方式（比如手动解析、用 csv 模块逐行读）在 Jupyter 里既低效又容易出错，除非你明确要控制每一行的解码逻辑。

路径写错是最常见的失败原因

Windows 下 D 盘文件不能直接写 D:data.csv，反斜杠会被当成转义符；Mac/Linux 下绝对路径也不能漏掉开头的 /。正确写法只有两种：

• "D:\data.csv"（双反斜杠）
• r"D:data.csv"（原始字符串，推荐）
• "/Users/you/data.csv"（Mac/Linux，注意开头斜杠）

相对路径（如 "data.csv"）只在当前 notebook 所在目录下有效——不是你“觉得”它该在的位置，而是右上角文件浏览器里显示的当前工作目录。

中文乱码？先看错误信息再动 encoding 参数

遇到 UnicodeDecodeError 时，别一上来就试 encoding='utf-8' 或 'gbk'。先用以下代码快速探查真实编码：

QuickBooks Mileage CSV

使用 qbo-mileage CLI 及用户凭证，从 Airtable、Outlook 或 Google Calendar 记录生成 QuickBooks Online 里程 CSV 文件。

下载

import chardet
with open("your_file.csv", "rb") as f:
    raw = f.read(10000)
    print(chardet.detect(raw))

输出类似 {'encoding': 'GB2312', 'confidence': 0.99}，就用 encoding='GB2312'。盲目指定编码可能跳过真正问题，比如 BOM 头没处理——这时加 encoding='utf-8-sig' 更稳妥。

列名、分隔符、空值这些细节决定能不能读对

pd.read_csv() 默认按逗号分隔、自动推断列名、把 NA/NULL 当空值。但现实 CSV 往往不标准：

• 用分号或制表符分隔 → 显式传 sep=';' 或 sep=' '
• 第一行不是列名，是备注 → 加 header=None，再用 names=... 手动设列名
• 数值列混了单位（如 "123 kg"）→ 用 converters 或后续 str.extract() 清洗，别指望 read_csv 自动识别
• 文件超大卡死 → 加 chunksize=10000 分批读，或用 nrows=1000 先试跑

参数太多不用全记，Jupyter 里输入 pd.read_csv? 或光标停在括号内按 Shift+Tab 就能弹出完整说明。

真正麻烦的从来不是“怎么导入”，而是导入后发现 df.shape 和预期不符、某列全是 object 类型、时间字段没解析成 datetime64——这些都得回溯到 read_csv() 的参数组合上，而不是事后硬改。