Python处理CSV和Excel需选对工具：CSV用csv模块更轻量，注意编码和分隔符；Excel分析用pandas，读样式/合并单元格用openpyxl；读写时注意索引、编码、空值、千分位等细节。
用 Python 处理 CSV 和 Excel 文件，核心在于选对工具、搞清格式差异、避免常见坑。pandas 是主力，但 openpyxl 和 csv 模块在特定场景下更轻量、更可控。
CSV 批量读取：用 csv 模块更稳，尤其处理大文件或特殊编码
当文件不含公式、不需样式、行数超 10 万，csv 模块比 pandas.read_csv 更省内存、更快启动。关键注意编码（如 GBK 中文 Windows 默认）和分隔符（逗号、制表符、分号都可能）。
- 统一用 with open(..., encoding='utf-8-sig') 开头，自动跳过 BOM；中文 Windows 文件常用 encoding='gbk'
- 用 csv.reader 逐行读，或 csv.DictReader 按列名映射，避免手动切分字符串出错
- 批量读多个 CSV？用 pathlib.Path('data/').glob('*.csv') 获取路径列表，循环处理，比 os.listdir 更简洁安全
Excel 批量读取：pandas 适合分析，openpyxl 适合读样式或单元格值
pandas.read_excel() 默认调用 openpyxl（.xlsx）或 xlrd（旧版 .xls），但 xlrd 从 2.0 版起已不支持 .xlsx。现在统一推荐 openpyxl 引擎，尤其要读合并单元格、批注或指定 sheet 时。
- 读多个 Excel：用 pd.concat([pd.read_excel(f, engine='openpyxl') for f in files], ignore_index=True) 合并成一张表
- 若某列是日期却读成字符串，加参数 parse_dates=['date_col']；数值带千分位（如 "1,234"），先用 thousands=','
- 只读某个 sheet 的某块区域？openpyxl 可直接定位：ws['A1:C10'] 返回单元格对象，再取 .value
批量写入 CSV：用 pandas.to_csv 最省心，但注意 index 和 encoding
to_csv 默认保存索引列，导出后多一列“Unnamed: 0”？加 index=False。Windows 打开乱码？不是 UTF-8 就是编码没声明——用 encoding='utf-8-sig'（加 BOM）或 encoding='gbk'。
立即学习“Python免费学习笔记（深入）”；
- 写入前检查缺失值：pandas 默认把 NaN 写成 nan 字符串，想留空用 na_rep=''
- 字段含逗号、换行符？quoting=csv.QUOTE_ALL 强制加双引号，防止 CSV 结构错乱
- 追加写入（不覆盖）？用 mode='a' + header=False（第二次起不写列名）
批量写入 Excel：openpyxl 支持追加、样式、多 sheet，pandas.to_excel 适合单表快写
pandas.to_excel 简单表一键落地；但要往已有 Excel 追加 sheet、写入特定位置、加粗标题、设置列宽？必须切到 openpyxl。
- 追加 sheet：用 openpyxl.load_workbook('out.xlsx') 打开，wb.create_sheet('new_data')，再循环写入
- 写入整张 DataFrame：用 openpyxl.utils.dataframe.dataframe_to_rows(df, index=False, header=True) 转为行数据，再逐行赋值给 ws.append()
- 设置列宽：循环 for col in ['A', 'B', 'C']: ws.column_dimensions[col].width = 15
不复杂但容易忽略：CSV 和 Excel 的默认行为不同，比如空值表示、日期识别、数字格式。动手前先用 head 或 Excel 打开看一眼原始结构，比硬写十行代码更省时间。
