Python中按行和列索引访问CSV文件数据：两种高效方法详解

import csv

def read_csv_to_list(file_path):
    """
    读取CSV文件内容到二维列表。
    每一行是一个列表，每个元素是字符串。
    """
    data = []
    try:
        with open(file_path, 'r', newline='', encoding='utf-8') as csvfile:
            csv_reader = csv.reader(csvfile)
            for row in csv_reader:
                data.append(row)
        return data
    except FileNotFoundError:
        print(f"错误：文件 '{file_path}' 未找到。")
        return None
    except Exception as e:
        print(f"读取CSV文件时发生错误：{e}")
        return None

# 假设你的CSV文件名为 'data.csv'
# 示例：创建一个虚拟的CSV文件
with open('data.csv', 'w', newline='', encoding='utf-8') as f:
    writer = csv.writer(f)
    writer.writerow([f"{i}.{j}" for j in range(5)]) # Header row
    for i in range(10):
        writer.writerow([f"{i*10 + j}.5" for j in range(5)])

csv_data = read_csv_to_list('data.csv')

if csv_data:
    print("CSV文件内容（前5行）：")
    for i, row in enumerate(csv_data[:5]):
        print(f"行 {i}: {row}")

if csv_data:
    # 访问特定单元格 (例如：第3行，第2列的值，索引从0开始)
    # 假设CSV有标题行，那么实际数据从索引1开始
    target_row_index = 2 # 实际CSV的第3行
    target_col_index = 1 # 实际CSV的第2列

    if target_row_index < len(csv_data) and target_col_index < len(csv_data[target_row_index]):
        value = csv_data[target_row_index][target_col_index]
        print(f"\n访问特定单元格：第 {target_row_index} 行，第 {target_col_index} 列的值是：'{value}'")

        # 注意：从CSV读取的值默认是字符串类型，如果需要进行数值运算，需要手动转换
        try:
            float_value = float(value)
            print(f"转换为浮点数：{float_value}")
        except ValueError:
            print(f"无法将 '{value}' 转换为浮点数。")
    else:
        print(f"\n指定索引 ({target_row_index}, {target_col_index}) 超出数据范围。")

    # 遍历所有数据并按索引访问
    print("\n遍历所有数据并打印（仅打印数值类型）：")
    for row_idx, row in enumerate(csv_data):
        for col_idx, cell_value in enumerate(row):
            try:
                # 尝试转换为浮点数进行处理
                num_value = float(cell_value)
                # 示例：在这里可以进行比较、排序等操作
                # if num_value > 50:
                #     print(f"({row_idx}, {col_idx}): {num_value} (大于50)")
                print(f"({row_idx}, {col_idx}): {num_value}")
            except ValueError:
                # print(f"({row_idx}, {col_idx}): '{cell_value}' (非数值)")
                pass # 忽略非数值单元格

import pandas as pd

# 假设你的CSV文件名为 'data.csv'
# 再次确保 'data.csv' 存在，内容与之前相同
try:
    df = pd.read_csv('data.csv')
    print("\n使用pandas读取CSV文件（前5行）：")
    print(df.head())
except FileNotFoundError:
    print("错误：文件 'data.csv' 未找到。")
    df = None
except Exception as e:
    print(f"使用pandas读取CSV文件时发生错误：{e}")
    df = None

if df is not None:
    # 访问特定单元格 (例如：第3行，第2列的值，索引从0开始)
    # 注意：pandas默认将第一行识别为标题，所以iloc[0]是实际的第1行数据
    target_row_index_pandas = 2 # DataFrame中的第3行数据 (假设没有标题行，或者iloc已经处理了标题行)
    target_col_index_pandas = 1 # DataFrame中的第2列数据

    if target_row_index_pandas < len(df) and target_col_index_pandas < len(df.columns):
        value_pandas = df.iloc[target_row_index_pandas, target_col_index_pandas]
        print(f"\n使用pandas访问特定单元格：第 {target_row_index_pandas} 行，第 {target_col_index_pandas} 列的值是：{value_pandas}")
        print(f"数据类型：{type(value_pandas)}") # pandas会自动推断数据类型
    else:
        print(f"\n指定索引 ({target_row_index_pandas}, {target_col_index_pandas}) 超出DataFrame范围。")

    # 遍历所有数据并按索引访问
    print("\n使用pandas遍历所有数据并打印（仅打印数值类型）：")
    for row_idx in range(len(df)):
        for col_idx in range(len(df.columns)):
            cell_value = df.iloc[row_idx, col_idx]
            # pandas通常会自动处理数据类型，可以直接进行数值运算
            if pd.api.types.is_numeric_dtype(type(cell_value)):
                # 示例：在这里可以进行比较、排序等操作
                # if cell_value > 50:
                #     print(f"({row_idx}, {col_idx}): {cell_value} (大于50)")
                print(f"({row_idx}, {col_idx}): {cell_value}")
            # else:
            #     print(f"({row_idx}, {col_idx}): '{cell_value}' (非数值)")

    # 访问一整行数据
    print(f"\n访问第 {target_row_index_pandas} 行数据：")
    print(df.iloc[target_row_index_pandas])

    # 访问一整列数据
    print(f"\n访问第 {target_col_index_pandas} 列数据：")
    print(df.iloc[:, target_col_index_pandas])